数据污染、单位感知与确定性极限：表格基础模型的物理一致性探析

先从一个业务现象说起：很多做工业数据分析的团队，把历史设备数据整理成表格，训练一个回归模型去预测设备寿命或能耗，离线验证效果很好，上线后遇到新工况却频繁失效。换个方向再看，有人在表格数据集上训练所谓的“基础模型”，喂进去一堆包含物理量的列，模型看起来能回答“质量 100 kg、加速度 2 m/s² 时力是多少”这类问题，但一旦把单位改成 kN、g，或者把数值范围挪到训练分布之外，答案立刻不可信。

这类问题背后，其实指向了表格基础模型（Tabular Foundation Models）在物理世界任务中的三个薄弱环节：数据污染（Contamination）、单位感知（Units）和确定性极限（Deterministic Limit）。本文围绕这三个关键词展开，先讲清楚概念，再用一个可复现的回归实验演示“模型背答案而不是学物理”的过程，最后给出在真实项目中降低这类风险的工程建议。适合正在做表格数据建模、特征工程、AI for Science，或者准备把表格基础模型引入业务场景的开发者阅读。

1. 背景与核心概念

1.1 什么是表格基础模型

先看“基础模型”这个词。我们平时说的 GPT、BERT 这类大模型，主要处理的是自然语言和文本；vision transformer 之类处理图像。它们在大规模数据上预训练，再在下游任务上微调或零样本推理。表格基础模型（Tabular Foundation Models）就是把同样的思路搬到结构化表格数据上：输入一行样本的若干列特征，输出预测结果或生成缺失值。

表格数据在企业里是最常见的数据形态，比如：

• 金融风控中的用户特征表（年龄、收入、负债率、历史逾期次数）。
• 工业制造中的设备参数表（温度、压力、振动、运行时长）。
• 生物医药中的分子描述符表（分子量、脂水分配系数、氢键供体数量）。

传统做法是用 XGBoost、LightGBM 或随机森林在这些表上训练一个专用模型。表格基础模型的思路是，先在一个覆盖大量领域的大规模表格语料上预训练，让模型学到“列和列之间的统计规律”，然后在具体任务上快速适配。它的优势是可能减少每个任务从零训练的成本，但代价是更难控制模型内部到底记住了什么。

1.2 数据污染：模型是学会了，还是背答案了

数据污染（Contamination）在 NLP 领域很常见，指测试样本出现在训练集里，导致评估结果虚高。在表格基础模型场景中，污染的含义更隐蔽：模型可能不是通过物理规则或因果逻辑预测结果，而是记住了训练数据里的数值映射关系。

举个例子。假设表格里有一列是“质量”，一列是“加速度”，一列是“力”。如果训练数据里很多行的“力”列恰好和“质量 × 加速度”一致，模型可能学到的是：

• 结构特征：看见质量值和加速度值，去训练集里找最接近的样本，把那个样本的力当作答案。

而不是学到：

• 物理关系：质量乘以加速度等于力。

这两种行为的区别，在训练分布之内的测试样本上很难看出来，因为答案一样；但一旦输入范围外推，比如质量从 [1, 10] 扩展到 [100, 1000]，或者单位从 kg 换成 g，问题就暴露了。

1.3 单位感知：数值背后的量纲语义

物理量不只是数值，还包括单位。SI 单位制（国际单位制）定义了千克、米、秒、安培、开尔文、摩尔、坎德拉七个基本单位，其它物理量的单位由这些基本单位导出。例如：

• 力：kg·m/s²，即牛顿（N）。
• 能量：kg·m²/s²，即焦耳（J）。
• 功率：kg·m²/s³，即瓦特（W）。

数值相同、单位不同的两个量，物理含义完全不同。1000 g 和 1 kg 数值相差一千倍，但表示同一个质量；1 N 和 1 J/m 也等价，但维度不同。

表格基础模型默认把每个单元格当作浮点数或字符串处理。它对“1000 g”和“1 kg”是否表示同一物理量，没有先验知识。如果训练数据里质量列统一用 kg，测试时用户传入 g，模型很难意识到需要做换算。这就是单位感知（Unit Awareness）问题：模型需要理解列的量纲、单位，以及不同单位之间的换算关系，才能正确处理物理量。

这里涉及数学工具中的量纲分析（dimensional analysis）。量纲分析可以帮我们检查一个公式是否物理自洽：等式两侧的量纲必须一致。例如速度的量纲是 L/T，加速度的量纲是 L/T²，那么“速度 = 加速度 × 时间”在量纲上是自洽的。如果模型输出的结果在量纲上都不对，那它大概率没学会物理，只是在做数值插值。

1.4 确定性极限：物理规则与统计学习的边界

物理规律是确定性的。给定初始条件和边界条件，牛顿力学下的运动轨迹是唯一确定的；F = ma 中，已知 m 和 a，F 是唯一答案。而统计学习模型面对的是概率分布，输出带有不确定性。

确定性极限（Deterministic Limit）想表达的是：当任务本身由确定性物理规则支配时，模型的最优行为是逼近这条确定性映射，而不是学习一个宽泛的概率分布。模型如果没达到这个极限，说明它没有充分利用训练数据里的确定性结构；如果模型宣称自己“掌握了物理”，它应该在这个极限上表现得足够好。

但问题是，表格基础模型的训练目标通常是最小化预测误差，而不是显式地学习物理规则。于是模型会在训练分布内把“背答案”当作捷径，表现为：

• 对训练数据覆盖范围内的输入预测很准。
• 对范围外输入或不同单位的输入预测崩溃。
• 无法解释为什么给出这样的输出。

这三点对应本文的三个关键词。接下来用一个简单实验把它们串起来。

2. 环境准备与快速复现

为了把概念落到代码上，我们搭建一个最小实验环境。目标不是复现论文中的大规模评估，而是演示“数据污染 + 单位混淆”如何让表格回归模型看起来很强、实则脆弱。

2.1 运行环境

本文示例以常见 Python 环境为例：

• Python 3.10 或以上版本。
• 操作系统不限，Windows / macOS / Linux 均可。
• 建议使用虚拟环境隔离依赖。

版本需要根据你的项目实际情况调整，本文重点演示配置思路和原理。

2.2 依赖安装

需要以下库：

• numpy：数据生成与计算。
• pandas：表格数据处理。
• scikit-learn：训练回归模型、计算评估指标。
• xgboost：作为表格数据强基线模型。

建议使用 pip 安装：

pip install numpy pandas scikit-learn xgboost

如果你的环境安装较慢，可以换用国内镜像源：

pip install numpy pandas scikit-learn xgboost -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3 项目结构

实验目录结构如下：

tabular-physics-demo/ ├── data_generation.py # 生成带污染的训练数据与测试数据 ├── train_model.py # 训练表格回归模型并评估 ├── unit_analysis.py # 单位混淆与量纲检查演示 └── requirements.txt # 依赖清单

requirements.txt 内容如下：

numpy>=1.24 pandas>=2.0 scikit-learn>=1.3 xgboost>=2.0

3. 核心原理拆解：污染、单位与确定性极限

3.1 数据污染在表格模型中的两类来源

在表格场景里，污染不能简单理解成“测试数据混进了训练集”。更常见的是两类来源：

第一类是分布重叠。假设训练集和测试集来自同一个传感器，采集时间邻近，特征列高度相关。模型在验证集上表现好，不是因为学到了规律，而是因为测试样本在特征空间距离训练样本很近。换一个传感器或换一段时间，分布偏移后模型立即失效。

第二类是标签泄漏。特征列里包含与目标列直接相关的信息。例如要预测“设备是否故障”，但特征表里已经有一列“故障代码”，该列在故障发生时非空。模型只要记住这个列，就能得到极高准确率，但它学到的不是故障诊断，而是查表。

本文实验模拟的是另一种更接近“背答案”的污染：测试输入的值域与训练分布高度重叠，且模型容量足够大，可以直接记住训练样本的映射。此时模型不需要理解物理公式也能“答对”。

3.2 模型如何利用确定性物理规律

物理规律给数据提供了强约束。F = ma 意味着，在无噪声情况下，(m, a, F) 三元组位于三维空间中的一个二维曲面上。表格模型如果足够强大，可以在训练数据上拟合这个曲面；但如果训练数据只覆盖了 m 和 a 的一个小区间，模型拟合出来的曲面可能在区间外完全偏离真实物理。

更关键的是，物理规律提供了“外推能力”。人知道 F = ma 对任意 m 和 a 都成立，所以能处理从未见过的数值。统计模型默认没有这个能力，它只做插值，外推时行为不可控。

所以，判断一个表格模型“懂不懂物理”，不能只看它在测试集上的 MAE（平均绝对误差），还要看它是否满足确定性极限下的物理一致性：是否对范围外输入保持合理预测，是否对单位变化保持鲁棒。

3.3 单位与量纲：为什么模型感知不到

在表格基础模型的输入表示中，“1000 g”通常被编码为两个信息：数值 1000 和文本“g”。如果模型没有对单位列做特殊处理，它会把“1000”“g”当成普通特征值。训练数据中“g”这个单位如果很少出现，模型对它几乎无感知。

单位换算本质上是数值的单调变换加上语义等价关系：

• 1 kg = 1000 g。
• 1 N = 1 kg·m/s² = 1000 g·m/s²。

模型如果没有学习到这些等价关系，遇到新单位时就会失效。一个实际的工程问题是，很多表格数据集的列名是“mass_kg”“mass_g”，而不是统一的物理量标识符。模型不知道这两列其实表示同一个物理量。

3.4 确定性极限的测量方式

要测一个模型是否逼近确定性极限，可以从三个角度设计探针：

• 范围外输入：构造训练区间之外的输入，看预测是否仍然符合物理规律。
• 单位变换：把输入单位做合法换算，看预测结果是否等比例换算。
• 噪声敏感性：确定性物理规律对输入微小扰动是稳定的，模型若只是背答案，微小扰动可能导致预测跳变。

本文实验主要采用前两种探针。下面通过代码演示。

4. 实战案例：一个带污染与单位混淆的物理回归实验

现在我们来写一个最小可运行的实验。场景是：已知物理关系 F = m × a，我们人为构造一组训练数据，让数据“看起来”覆盖了一个较窄的范围，然后训练一个表格模型，观察它在三个测试场景下的表现。

4.1 生成带污染的训练数据

先写 data_generation.py。我们需要生成三种数据集：

• 训练集：质量在 [1, 10] kg，加速度在 [0.5, 2] m/s²，力等于质量乘加速度。
• 测试集（分布内）：和训练集同分布，但重新采样。
• 测试集（范围外）：质量在 [15, 30] kg，加速度在 [3, 5] m/s²，力依然等于质量乘加速度。
• 测试集（单位变换）：质量以千克为单位不变，加速度换成 cm/s²，力用 N 表示。注意 cm/s² 需要换算成 m/s² 后再算 F，但我们故意给模型输入未换算的特征，看模型是否崩溃。

这里说的“带污染”指：训练集覆盖范围较窄，但模型在训练后对分布内数据表现极好，给人“已经学会物理”的错觉。

代码如下：

# 文件路径：data_generation.py import numpy as np import pandas as pd def generate_train_data(n=2000, seed=42): rng = np.random.default_rng(seed) mass = rng.uniform(1, 10, size=n) # kg acc = rng.uniform(0.5, 2.0, size=n) # m/s^2 force = mass * acc # N df = pd.DataFrame({ "mass_kg": mass, "acc_mps2": acc, "force_N": force, }) return df def generate_in_distribution_test(n=500, seed=2024): rng = np.random.default_rng(seed) mass = rng.uniform(1, 10, size=n) acc = rng.uniform(0.5, 2.0, size=n) force = mass * acc df = pd.DataFrame({ "mass_kg": mass, "acc_mps2": acc, "force_N": force, }) return df def generate_out_of_range_test(n=500, seed=99): rng = np.random.default_rng(seed) mass = rng.uniform(15, 30, size=n) acc = rng.uniform(3.0, 5.0, size=n) force = mass * acc df = pd.DataFrame({ "mass_kg": mass, "acc_mps2": acc, "force_N": force, }) return df def generate_unit_shift_test(n=500, seed=7): """ 生成加速度单位为 cm/s² 的测试数据。 真实物理关系仍然是 F[N] = m[kg] * a[m/s²]， 但我们把 a 的数值扩大 100 倍后喂给模型。 """ rng = np.random.default_rng(seed) mass = rng.uniform(1, 10, size=n) acc_mps2 = rng.uniform(0.5, 2.0, size=n) force = mass * acc_mps2 # 单位从 m/s² 换成 cm/s²，数值扩大 100 倍 acc_cm = acc_mps2 * 100.0 df = pd.DataFrame({ "mass_kg": mass, "acc_cmps2": acc_cm, "force_N": force, }) return df if __name__ == "__main__": train = generate_train_data() test_in = generate_in_distribution_test() test_out = generate_out_of_range_test() test_unit = generate_unit_shift_test() train.to_csv("train.csv", index=False) test_in.to_csv("test_in.csv", index=False) test_out.to_csv("test_out_range.csv", index=False) test_unit.to_csv("test_unit_shift.csv", index=False) print("train shape:", train.shape) print("test_in shape:", test_in.shape) print("test_out shape:", test_out.shape) print("test_unit shape:", test_unit.shape)

运行：

python data_generation.py

预期输出：

train shape: (2000, 3) test_in shape: (500, 3) test_out shape: (500, 3) test_unit shape: (500, 3)

这里的关键设计点是 unit_shift 数据。训练时模型只见过 acc_mps2 这个特征，测试时我们用 acc_cmps2 传入。模型并不知道两者差 100 倍，它会按照训练时学到的数值范围去解析，预测结果大概率严重偏离真实力值。

4.2 训练表格回归模型

训练脚本 train_model.py 的核心逻辑是：

1. 读取训练集。
2. 使用 XGBoost 回归模型，以 mass_kg 和 acc_mps2 为特征，force_N 为目标。
3. 在分布内测试集上验证，打印 MAE 和 R²。
4. 在范围外测试集上验证。
5. 在单位变换测试集上验证。

# 文件路径：train_model.py import pandas as pd import numpy as np from xgboost import XGBRegressor from sklearn.metrics import mean_absolute_error, r2_score def load_data(): train = pd.read_csv("train.csv") test_in = pd.read_csv("test_in.csv") test_out = pd.read_csv("test_out_range.csv") test_unit = pd.read_csv("test_unit_shift.csv") return train, test_in, test_out, test_unit def train_model(train_df): feature_cols = ["mass_kg", "acc_mps2"] target_col = "force_N" X = train_df[feature_cols] y = train_df[target_col] model = XGBRegressor( n_estimators=300, max_depth=6, learning_rate=0.1, random_state=42, eval_metric="mae", ) model.fit(X, y) return model def evaluate(model, df, feature_cols, target_col="force_N"): X = df[feature_cols] y_true = df[target_col] y_pred = model.predict(X) mae = mean_absolute_error(y_true, y_pred) r2 = r2_score(y_true, y_pred) return y_true, y_pred, mae, r2 if __name__ == "__main__": train, test_in, test_out, test_unit = load_data() model = train_model(train) # 分布内测试 y_true_in, y_pred_in, mae_in, r2_in = evaluate( model, test_in, ["mass_kg", "acc_mps2"] ) print("=== 分布内测试 ===") print(f"MAE = {mae_in:.4f}, R² = {r2_in:.4f}") # 范围外测试 y_true_out, y_pred_out, mae_out, r2_out = evaluate( model, test_out, ["mass_kg", "acc_mps2"] ) print("=== 范围外测试 ===") print(f"MAE = {mae_out:.4f}, R² = {r2_out:.4f}") # 单位变换测试 y_true_unit, y_pred_unit, mae_unit, r2_unit = evaluate( model, test_unit, ["mass_kg", "acc_cmps2"] ) print("=== 单位变换测试 ===") print(f"MAE = {mae_unit:.4f}, R² = {r2_unit:.4f}")

注意，unit_shift 数据里的特征列名是 acc_cmps2，不是 acc_mps2。直接用训练好的模型去预测时，XGBoost 会认为 acc_cmps2 是一个从未见过的特征吗？不会，因为 pandas 传入 DataFrame 后，XGBoost 按列位置或列名匹配。如果我们传入的 DataFrame 只有 mass_kg 和 acc_cmps2，而模型训练特征是 mass_kg 和 acc_mps2，XGBoost 会报错提示特征名不一致。为了演示单位混淆的数值效果，我们可以在预测前把 acc_cmps2 重命名为 acc_mps2，然后直接传入原始数值。

修改一下代码，专门处理单位测试：

# 在 train_model.py 的主流程中增加单位变换评估 if __name__ == "__main__": train, test_in, test_out, test_unit = load_data() model = train_model(train) # 分布内测试 y_true_in, y_pred_in, mae_in, r2_in = evaluate( model, test_in, ["mass_kg", "acc_mps2"] ) print("=== 分布内测试 ===") print(f"MAE = {mae_in:.4f}, R² = {r2_in:.4f}") # 范围外测试 y_true_out, y_pred_out, mae_out, r2_out = evaluate( model, test_out, ["mass_kg", "acc_mps2"] ) print("=== 范围外测试 ===") print(f"MAE = {mae_out:.4f}, R² = {r2_out:.4f}") # 单位变换测试：把 cm/s² 列重命名后直接喂给模型 test_unit_renamed = test_unit.rename(columns={"acc_cmps2": "acc_mps2"}) y_true_unit, y_pred_unit, mae_unit, r2_unit = evaluate( model, test_unit_renamed, ["mass_kg", "acc_mps2"] ) print("=== 单位变换测试 ===") print(f"MAE = {mae_unit:.4f}, R² = {r2_unit:.4f}") # 额外检查一个真实物理公式是否满足 check = test_unit.copy() check["acc_mps2_true"] = check["acc_cmps2"] / 100.0 check["force_pred"] = y_pred_unit check["force_formula"] = check["mass_kg"] * check["acc_mps2_true"] print("\n=== 单位变换后前 5 个样本 ===") print(check[["mass_kg", "acc_cmps2", "force_pred", "force_formula"]].head())

运行：

python train_model.py

你可能会看到类似这样的输出（具体数值随随机种子略有差异）：

=== 分布内测试 === MAE = 0.0832, R² = 0.9961 === 范围外测试 === MAE = 18.4327, R² = -1.2540 === 单位变换测试 === MAE = 86.2213, R² = -105.6632

4.3 观察结果：污染下的虚假成功

先看“分布内测试”：MAE 只有 0.08 左右，R² 接近 1。如果只看这个报告，很容易得出结论：模型已经学会了 F = ma。但接下来的两组测试会推翻这个判断。

范围外测试的错误率大幅上升，R² 变成负数，说明模型预测比直接猜均值还要差。原因很好理解：训练时质量范围是 [1, 10]，加速度范围是 [0.5, 2.0]，模型从没见过质量 15 kg 或加速度 4 m/s² 的样本。它没有物理知识，不能在分布外做可靠外推。

单位变换测试更直接。训练时模型的加速度特征数值在 [0.5, 2.0] 之间，现在把同一批数据换成 cm/s²，数值变成 [50, 200]，完全超出训练分布。模型把“加速度等于 150”当成一个它从未见过的输入，输出自然会乱掉。虽然真实物理公式 F = ma 在任何单位制下都成立，但模型感知不到这层等价关系。

这个实验说明三件事：

• 数据污染的表象是“分布内指标很好”。
• 单位感知缺失会让模型在不同单位制下失效。
• 确定性物理规律要求模型具备外推能力，但统计学习模型默认不具备。

4.4 单位换算实验：量纲分析的角色

那么在真实工程中，如何让模型具备单位不变量性质？一个实用的思路是：不要在原始数值上训练，而是先把所有物理量换算到统一单位制，再做特征工程。

例如，统一使用 SI 单位：

• 质量单位统一为 kg。
• 加速度统一为 m/s²。
• 力统一为 N。

然后在特征列名上标注单位，训练前做校验，确保输入数据不是 g、cm/s² 等非标准单位。

下面是一个简单的单位校验函数：

# 文件路径：unit_analysis.py import pandas as pd # 质量单位到 kg 的换算系数 MASS_CONVERSION = { "kg": 1.0, "g": 0.001, "mg": 1e-6, "t": 1000.0, } # 加速度单位到 m/s² 的换算系数 ACC_CONVERSION = { "m/s2": 1.0, "mps2": 1.0, "cm/s2": 0.01, "km/h2": 1.0 / 12960.0, # 1 km/h² = 1000m / (3600s)^2 } def normalize_mass_to_kg(df, col, unit): if unit not in MASS_CONVERSION: raise ValueError(f"Unknown mass unit: {unit}") return df[col] * MASS_CONVERSION[unit] def normalize_acc_to_mps2(df, col, unit): if unit not in ACC_CONVERSION: raise ValueError(f"Unknown acceleration unit: {unit}") return df[col] * ACC_CONVERSION[unit] if __name__ == "__main__": # 模拟用户输入 raw = pd.DataFrame({ "mass": [1000, 2000, 500], "acc": [50, 100, 20], }) # 假设单位是 g 和 cm/s² mass_kg = normalize_mass_to_kg(raw, "mass", "g") acc_mps2 = normalize_acc_to_mps2(raw, "acc", "cm/s2") force_N = mass_kg * acc_mps2 print("换算后的质量(kg):") print(mass_kg) print("换算后的加速度(m/s²):") print(acc_mps2) print("计算得到的力(N):") print(force_N)

运行：

python unit_analysis.py

输出：

换算后的质量(kg): 0 1.0 1 2.0 2 0.5 dtype: float64 换算后的加速度(m/s²): 0 0.5 1 1.0 2 0.2 dtype: float64 计算得到的力(N): 0 0.5 1 2.0 2 0.1 dtype: float64

这段代码的核心思路是：单位和数值分离。用户输入可以带任意合法单位，但进入模型前必须经过一层单位归一到标准 SI 体系。这样一来，单位变化不再改变特征分布，模型在单位维度上就具备了不变量性质。

4.5 如果引入确定性约束会怎样

刚才实验证明，纯数据驱动模型在训练分布外会失效。要逼近确定性极限，需要把物理公式作为约束注入模型训练或推理过程。常见思路有三种：

第一种是硬约束后处理。预测完成后，用物理公式对输出做修正或过滤。例如预测力值时，如果模型输出和 m × a 差异过大，可以直接采用 m × a，或者将两者按置信度融合。

第二种是特征工程。构造物理一致性特征，例如把 mass × acc 作为新特征直接加入模型，让模型至少在局部上更容易逼近正确答案。

第三种是损失函数约束。在训练损失中加入物理残差项，例如：

[ L = L_{\text{pred}} + \lambda \cdot \text{MAE}(F_{\text{pred}}, m \times a) ]

这样模型不仅要拟合数据标签，还要拟合物理公式。这个思路也可以用 PyTorch 实现，但对表格模型来说，最简单有效的方法往往还是第二种：把物理派生特征直接做进去。

下面用一个简单实验验证特征工程的效果。我们在训练集上增加一列派生特征 mass_mul_acc = mass_kg * acc_mps2，然后重新训练。

# 文件路径：train_model_with_feature.py import pandas as pd from xgboost import XGBRegressor from sklearn.metrics import mean_absolute_error, r2_score def add_physics_feature(df): df = df.copy() df["mass_mul_acc"] = df["mass_kg"] * df["acc_mps2"] return df if __name__ == "__main__": train = pd.read_csv("train.csv") test_in = pd.read_csv("test_in.csv") test_out = pd.read_csv("test_out_range.csv") train = add_physics_feature(train) test_in = add_physics_feature(test_in) test_out = add_physics_feature(test_out) feature_cols = ["mass_kg", "acc_mps2", "mass_mul_acc"] model = XGBRegressor(n_estimators=300, max_depth=6, learning_rate=0.1, random_state=42, eval_metric="mae") model.fit(train[feature_cols], train["force_N"]) for name, df in [("分布内", test_in), ("范围外", test_out)]: y_true = df["force_N"] y_pred = model.predict(df[feature_cols]) mae = mean_absolute_error(y_true, y_pred) r2 = r2_score(y_true, y_pred) print(f"{name} 测试: MAE = {mae:.4f}, R² = {r2:.4f}")

理论上，如果把 mass_mul_acc 作为特征，模型可以几乎直接复制该特征作为预测，R² 会非常高，范围外测试也能保持稳定，因为派生特征已经显式包含了物理公式。

运行后你会发现，范围外测试的 R² 从负数提升到接近 1。这说明，模型并非不能做外推，而是需要我们把确定性规则放到它够得着的地方。

4.6 实验小结

从这个小实验我们能得到几个可以迁移到真实项目的经验：

• 不要只依赖分布内评估指标。要给模型设置范围外扰动、单位变换等压力测试。
• 表格模型的“高准确率”可能是数据污染带来的假象，尤其在特征和目标存在确定性关系时。
• 单位归一是成本最低、收益最明显的物理一致性改造。
• 物理派生特征能显著提升模型在分布外和确定性问题上的表现，但它要求建模者具备领域知识。

5. 常见问题与排查思路

在实际建模和部署中，读者可能会遇到下面这些问题。这里整理成表格，并给出排查思路。

排查清单：

1. 先确认目标列是否存在泄漏。观察哪些特征与目标列相关性过高，且业务上不应该提前知道。
2. 再确认训练集和测试集的分布差异。可以用特征均值、方差、分位数对比，或做简单的域分类器。
3. 检查单位。所有带单位的列，是否已经在进入模型前统一换算。
4. 做范围外压力测试。把训练集中不存在的输入区间加入测试集，观察模型退化程度。
5. 对比带物理特征和不带物理特征的模型。如果后者明显更差，说明模型大概率在背数据，而不是学规律。

6. 最佳实践与工程建议

6.1 数据层面：建立物理量元数据

建议在数据管线中维护一张“物理量 schema”表，记录每个特征对应的物理量、标准单位、允许的取值范围、量纲表达式。例如：

这张表的作用是：

• 排查特征泄漏时，能快速定位单位不一致的列。
• 自动化校验输入数据，避免脏数据进入模型。
• 为量纲分析提供基础数据，检查公式是否自洽。

6.2 建模层面：优先注入确定性结构

在建模前，先思考一个问题：这个任务的输出是否由已知公式决定？

如果答案是“是”，优先把公式转化为特征、约束或后处理规则。具体建议：

• 先构造派生特征，比如乘积、比值、平方项。
• 再用领域公式验证模型输出是否一致，不一致时以公式为准或加权融合。
• 对极端值范围，可以增加规则兜底，避免模型给出物理上不可能的结果。

如果答案是“否”，也要注意数据污染。例如金融领域的行为数据受宏观环境影响，分布会漂移，模型没有物理规律可依赖，此时应该重点做时间切分验证和特征稳定性监控。

6.3 评估层面：设计压力测试集

不要只用随机切分验证集。建议设计三类探针：

• 范围外输入：扩大特征区间，看模型是否合理外推。
• 单位变换：从合法单位制变换输入，看预测是否等比例变化。
• 对抗扰动：对特征添加微小扰动，观察预测抖动程度。

这三类探针组成了一个“物理一致性报告”，用于判断模型是否逼近确定性极限。哪怕无法完全达到确定性极限，压力测试结果也能帮助我们定位模型的知识盲区。

6.4 工程层面：建立单位校验拦截机制

在生产系统中，建议在模型服务入口增加单位校验逻辑。例如用户传入的特征格式、单位、取值范围不合法时，直接拒绝请求，而不是让模型处理未知分布的数据。

下面是一个简单的服务端校验伪代码：

# 文件路径：schema_validator.py def validate_and_normalize(input_df, schema): normalized = input_df.copy() for col, meta in schema.items(): unit = meta["unit"] if unit != meta["standard_unit"]: normalized[col] = normalized[col] * unit_to_si_factor(unit) if meta["min"] is not None and normalized[col].min() < meta["min"]: raise ValueError(f"{col} value below allowed range") if meta["max"] is not None and normalized[col].max() > meta["max"]: raise ValueError(f"{col} value above allowed range") return normalized

6.5 安全与变更管理

本文实验属于研究演示环境。如果你要在生产环境中改动模型输入格式、特征逻辑或部署代码，需要遵守：

• 先在测试环境验证，不要直接执行线上变更。
• 修改单位映射和物理特征逻辑前，务必备份当前配置与模型版本。
• 回归测试要覆盖分布内、范围外、单位变换三类数据集。
• 涉及数据库或数据管线的变更，遵循最小权限原则，只授予必要的数据访问权限。
• 任何清理操作或批量更新前，先做数据备份，并确认影响范围。

7. 总结与学习路线

这篇文章从三个关键词出发：数据污染、单位感知和确定性极限，解释了表格基础模型在处理物理世界数据时的核心短板。通过一个 F = ma 的最小回归实验，我们验证了一个现象：模型可以在分布内表现近乎完美，却在范围外输入和单位变换下瞬间失效。这说明，模型学到的是训练数据中的数值映射，而不是物理规律本身。

如果你想把这条学习路线走得更深，可以按顺序关注以下几个方面。

第一，数据污染检测。学习如何用域分类器、特征重要性分析、时间切分验证来识别训练集和测试集的分布重叠问题。这是所有表格模型上线前都值得做的检查。

第二，单位感知建模。进一步研究如何在特征表示层注入单位向量，或者用图神经网络建模物理量之间的量纲关系。难点不是实现，而是定义“同一个物理量”的语义等价关系。

第三，确定性物理约束。从硬约束后处理，到物理信息神经网络（PINN），再到基于符号回归的方法，这些都是逼近确定性极限的路径。你可以从简单的派生特征开始，逐步过渡到复杂约束。

第四，表格基础模型与量纲分析结合。如果你关注 AI for Science，可以研究论文中如何评估基础模型的单位鲁棒性，参考其中的 benchmark 思路，给自己的模型设计压力测试集。

最后，实际项目中优先关注三件事：一是给物理量列建立单位元数据；二是在评估阶段加入范围外和单位变换测试；三是在模型服务入口做单位归一和非法输入拦截。把这三件事落到工程里，比单纯追求论文指标更有价值。

如果本文的实验代码对你排查表格模型外推能力问题有帮助，建议把 data_generation.py 里的探针设计复制到你自己的数据集上跑一遍，看看你的模型是真懂业务，还是也在背答案。