摘要

传统建模常将离散/连续、确定/不确定视为系统固有属性，导致模型选择依赖主观判断。本文证明，这些判别本质上是尺度依赖的阈值决策问题，其结论由系统、外部条件与观测协议(Observation Protocol)共同决定。本文提出双轴滑动阈值判别框架(Biaxial Sliding Threshold Discrimination Framework)，将滑动轴严格定义为六元数学结构，滑块为阈值函数(Threshold Function)在给定观测协议下的取值，而非自由参数。在离散/连续轴上，由有效离散尺度(Effective Discrete Scale)与观测尺度构造连续度坐标(Continuity Degree Coordinate)，通过连续近似误差给出阈值；在确定/不确定轴上，以单值预测(Single-value Prediction)最小失败概率(Failure Probability)作为不确定度坐标(Uncertainty Degree Coordinate)，通过允许失败概率给出阈值。两轴构成二维判别空间，可将系统划入离散确定、连续确定、离散不确定、连续不确定及过渡区。本文以一维晶格为最小工作模型，同时展示两轴及其耦合，给出可运行验证代码。该框架不提出新的演化方程，而是为模型适用性提供可定义、可计算、可证伪的判别层。

关键词：滑动轴；滑动阈值；观测尺度；离散连续；确定不确定；误差判别；风险判别；模型适用性

---

1 引言

1.1 研究背景

在物理建模与工程计算中，经常需要判断对象应采用何种描述，例如离散描述还是连续描述，确定性描述还是不确定性描述。这类判别并非纯粹的语言分类，而是直接影响建模策略、计算成本与结果可靠性。有限元计算中几何体被视作连续介质，但网格本身是离散的；加工制造中理论刀路是确定的，而实际误差又引入不确定性。传统上这些概念常以固定二分形式出现，但同一个系统在不同观测尺度或误差要求下可能需要不同描述[1-2]。这说明离散/连续与确定/不确定不应首先理解为绝对分类，而应理解为依赖观测协议的阈值判别[3]。

1.2 核心问题与本文框架

本文要解决四个层次的问题：如何形式化定义观测尺度；如何将"离散"和"连续"转化为可计算判别；如何将"确定"和"不确定"转化为可计算判别；如何将两组判别纳入统一数学框架。为此，本文提出"双轴滑动阈值判别框架"，核心结构为：输入三元组 $X=(\Sigma ,\Gamma ,M)$ 映射到连续度坐标 $q_D$ 和不确定度坐标 $q_U$，进而得到标准化偏离量(Standardized Deviation) $z_D,z_U$，最终输出四类描述区域或过渡区。滑动轴被定义为包含坐标函数、阈值函数、过渡宽度函数和过渡函数(Transition Function)的六元组，滑块严格为阈值函数的取值。

1.3 基本立场与术语

本文不讨论"系统本身是离散还是连续"的本体问题[4]，只讨论在给定条件下应采用何种描述。因此，判别的完整输入是 $X=(\Sigma ,\Gamma ,M)$，其中 $\Sigma$ 为系统，$\Gamma$ 为初始条件、边界条件、模型参数等，$M$ 为观测协议，包含观测量 $O$、观测尺度 $\ell$、允许误差 ${\Delta }_O$、数据处理规则和判别准则等。本文称离散/连续、确定/不确定为"二元判别属性"，而非传统物理量，它们是尺度依赖的描述类别。

1.4 研究范围与贡献

本文仅研究离散/连续与确定/不确定两组二元判别，二者足以构成二维判别空间，且均可以通过误差、尺度和概率风险给出操作定义。本文主要贡献包括：给出观测协议的形式化定义；将滑动轴定义为数学六元组，滑块定义为阈值函数取值；将离散/连续判别转化为连续近似误差问题；将确定/不确定判别转化为单值预测失败概率问题；构造二维判别空间并划分四类区域；通过统一的一维晶格模型同时验证两轴并展示耦合；提供代码实现路径和可证伪性原则。此外，本文与多尺度建模[5]、均质化理论[6]、统计决策[7]、模糊集合[8]、不确定性量化[9]等领域的关系将在正文中讨论。

1.5 论文逻辑主线

本文整体逻辑为：

$$X=(\Sigma ,\Gamma ,M)\mapsto (q_D,q_U)\mapsto (z_D,z_U)\mapsto F_{\text{valid}}(z_D,z_U)$$

最终输出离散确定、连续确定、离散不确定、连续不确定或过渡区。下面先建立基础定义。

---

2 基础定义：系统、条件与观测协议

2.1 物理系统与条件

物理系统 $\Sigma$ 可以是粒子系统、晶格、连续介质、几何模型、有限元结构或加工过程等。条件集合 $\Gamma$ 包含初始状态、边界条件、材料参数、外载荷等。本文不要求系统属于特定理论，只要求在给定条件下能产生可观测量或可计算量[10]。

2.2 观测协议

观测协议定义为六元组

$$M=(O,\ell ,{\Delta }_O,\tau ,\mathcal{P},\mathcal{J})$$

其中 $O$ 为被观测或预测的物理量；$\ell$ 为观测尺度，可以是空间尺度、时间尺度、波长、采样间距等；${\Delta }_O$ 为允许误差或测量分辨率；$\tau$ 为观测时间；$\mathcal{P}$ 为数据处理规则，包含模型假设和近似方法；$\mathcal{J}$ 为判别准则集合，可包含连续近似允许误差 ${\eta }_D^{\text{allowed}}$ 和单值预测允许失败概率 ${\rho }_U^{\text{allowed}}$。两个观测协议 $M_1,M_2$ 等价，当且仅当对所有 $\Sigma ,\Gamma$ 产生相同判别结果[11]。

2.3 观测尺度与有效离散尺度

观测尺度 $\ell$ 表示观测或建模能够分辨系统结构的尺度。若系统存在多个尺度，可扩展为尺度向量，本文主体使用单一有效尺度。有效离散尺度 $a_{\text{eff}}>0$ 表示系统中不可忽略的离散结构尺度，例如晶格常数、粒子间距、网格尺寸等[12]。若系统不存在可定义的单一离散尺度（如分形介质），则离散/连续轴不能建立，框架退化为仅适用确定/不确定轴。对于多尺度系统，后文将给出多有效离散尺度的推广。

2.4 预测输出形式

给定 $X=(\Sigma ,\Gamma ,M)$，理论或模型输出可表示为概率分布 $P_M(o|\Sigma ,\Gamma )$。若预测确定，分布退化为单点分布；若具有不确定性，分布有非零展宽。因此确定/不确定判别可转化为：在给定误差容许度下，是否存在单值预测足以替代完整概率分布[13]。

2.5 主要符号表

为方便阅读，下表列出贯穿全文的核心符号。

符号	含义
$\Sigma$	被研究系统
$\Gamma$	条件集合（初始、边界、参数等）
$M$	观测协议
$X=(\Sigma ,\Gamma ,M)$	完整输入
$O$	被观测量
$\ell$	观测尺度
${\Delta }_O$	允许误差
$\mathcal{P}$	数据处理规则
$\mathcal{J}$	判别准则集合
$a_{\text{eff}}$	有效离散尺度
${\mathcal{A}}_D,{\mathcal{A}}_U$	离散/连续轴、确定/不确定轴
$D,C,K,U$	离散、连续、确定、不确定描述
$q_D,q_U$	连续度坐标、不确定度坐标
$s_D,s_U$	离散/连续阈值、确定/不确定阈值
${ϵ}_D,{ϵ}_U$	过渡宽度
$z_D,z_U$	标准化偏离量
$g_D,g_U$	过渡函数
${\lambda }_C,{\lambda }_U$	连续归属度(Membership Degree)、不确定归属度
${\eta }_D$	连续近似误差
${\eta }_D^{\text{allowed}}$	允许连续近似误差
${\rho }_U^{\text{allowed}}$	允许单值预测失败概率
$F_{\text{valid}}$	适用性判别函数

---

3 滑动轴的数学定义

3.1 轴的定义

一根滑动轴是六元组

$${\mathcal{A}}_i=(L_i,R_i,Q_i,S_i,E_i,g_i)$$

其中 $L_i,R_i$ 为左右描述，$Q_i$ 为坐标函数，$S_i$ 为阈值函数，$E_i$ 为过渡宽度函数，$g_i$ 为过渡函数。对任意输入 $X$，计算坐标 $q_i=Q_i(X)$、滑块位置 $s_i=S_i(X)$ 和过渡宽度 ${ϵ}_i=E_i(X)>0$。定义标准化偏离量

$$z_i=\frac{q_i-s_i}{{ϵ}_i}$$

滑块是阈值函数的取值，不是自由参数。该结构借鉴了模糊集合理论中隶属函数的思想，但通过严格的阈值和过渡宽度定义，避免了主观任意性[14]。

3.2 滑块与过渡函数

滑块移动体现为随着观测尺度、误差要求、条件或判别准则改变，$S_i(X)$ 发生相应变化。过渡函数 $g_i:\mathbb{R}\to [0,1]$ 满足 ${\lim }_{z\to -\infty }{g}_i(z)=0$，${\lim }_{z\to +\infty }{g}_i(z)=1$，且 $g_i^{\prime }(z)\ge 0$。归属度 ${\lambda }_i=g_i(z_i)$ 表示偏向右侧描述的程度。常用形式为 Sigmoid 函数 $g_i(z)=1/(1+e^{-z})$，但要求形式在判别前固定。过渡宽度的定量意义：若要求归属度从 $\alpha$ 变到 $1-\alpha$（如 $\alpha =0.1$），则对应 $z\approx \pm 2.2$，因此 ${ϵ}_i$ 控制了坐标轴上过渡区的实际宽度[15]。

3.3 判别规则与过渡区处理

选定判别常数 $\kappa >0$。当 $z_i<-\kappa$ 时左侧描述主导，$z_i>\kappa$ 时右侧描述主导，$|z_i|\le \kappa$ 时为过渡区。过渡区内单一描述选型存在风险，应采用混合描述或将归属度直接作为模型混合系数，也可要求放宽允许误差或提高观测精度以离开过渡区[16]。

3.4 坐标重参数化一致性

若对坐标作单调变换 $u_i=f_i(q_i)$，则阈值和过渡宽度应相应变为 $s_i^{\prime }=f_i(s_i)$，${ϵ}_i^{\prime }\approx |f_i^{\prime }(s_i)|{ϵ}_i$，使标准化偏离 $z_i^{\prime }=(u_i-s_i^{\prime })/{ϵ}_i^{\prime }$ 保持一致，从而判别结果不变。这保证框架不依赖于任意坐标选择，是其数学自洽性的关键[17]。

3.5 滑动轴成立的最低条件

必须满足：左右描述明确；坐标函数可计算或可测量；阈值函数有明确规则；过渡宽度可定义；过渡函数事先固定；改变 $z_i$ 会改变判别；阈值不能根据结果事后调整。违反任何一条，该轴即失去科学意义[18]。

---

4 离散/连续轴

4.1 轴的定义与有效离散尺度

离散/连续轴定义为 ${\mathcal{A}}_D=(D,C,Q_D,S_D,E_D,g_D)$。系统需存在可定义的有效离散尺度 $a_{\text{eff}}>0$，表示不可忽略的离散结构，如晶格常数、颗粒间距等。若无法定义单一 $a_{\text{eff}}$ 但存在多个尺度 $a_1<a_2<\cdots <a_n$，可定义多尺度连续度坐标 $q_D^{(k)}=\ell /(\ell +a_k)$，整体连续度由最小 $q_D^{(k)}$（最细尺度）决定。若无任何可定义离散尺度，该轴不能建立[19]。

4.2 连续度坐标

观测尺度 $\ell >0$，定义连续度坐标

$$q_D=\frac{\ell }{\ell +a_{\text{eff}}}$$

该坐标满足边界条件：$\ell \to 0$ 时 $q_D\to 0$（纯离散），$\ell \to \infty$ 时 $q_D\to 1$（纯连续）；单调性 $d{q}_D/d\ell =a_{\text{eff}}/(\ell +a_{\text{eff}}{)}^2>0$；尺度不变性：同时缩放 $\ell$ 和 $a_{\text{eff}}$ 时 $q_D$ 不变。本文选择该有理形式因其简洁，其他满足条件的单调函数亦可使用，判别结果不依赖具体坐标形式[20]。

4.3 连续近似误差与阈值

设基准模型为保留全部离散结构的精确解 $O_{\text{ref}}$（若无法获得精确离散解，可由离散-连续混合模型的收敛外推定义），连续模型预测为 $O_C$。定义相对误差

$${\eta }_D(\ell )=\frac{|O_{\text{ref}}(\ell )-O_C(\ell )|}{|O_{\text{ref}}(\ell )|+{\delta }_0},{\delta }_0>0$$

给定允许误差 ${\eta }_D^{\text{allowed}}$，连续描述有效需满足 ${\eta }_D(\ell )\le {\eta }_D^{\text{allowed}}$。若 ${\eta }_D(\ell )$ 随 $\ell$ 增大单调下降，阈值尺度 ${\ell }_c$ 由 ${\eta }_D({\ell }_c)={\eta }_D^{\text{allowed}}$ 确定；更一般地，ℓc=inf⁡{ℓ>0:∀ℓ′≥ℓ, ηD(ℓ′)≤ηDallowed}\ell_c=\inf\{\ell>0:\forall\ell'\ge\ell,\ \eta_D(\ell')\le\eta_D^{\text{allowed}}\}ℓc​=inf{ℓ>0:∀ℓ′≥ℓ, ηD​(ℓ′)≤ηDallowed​}。滑块位置为

$$s_D=\frac{{\ell }_c}{{\ell }_c+a_{\text{eff}}}$$

该阈值定义与多尺度均质化理论中的代表性体积单元(Representative Volume Element, RVE)尺度密切相关[21]。

4.4 过渡宽度

选取误差水平 ${\eta }_D^{-}<{\eta }_D^{\text{allowed}}<{\eta }_D^{+}$（如 $0.5{\eta }_D^{\text{allowed}}$ 和 $1.5{\eta }_D^{\text{allowed}}$），求解 ${\eta }_D({\ell }_{-})={\eta }_D^{+}$ 和 ${\eta }_D({\ell }_{+})={\eta }_D^{-}$，得到坐标 $q_{-}={\ell }_{-}/({\ell }_{-}+a_{\text{eff}})$，$q_{+}={\ell }_{+}/({\ell }_{+}+a_{\text{eff}})$，定义

$${ϵ}_D=\frac{|q_{+}-q_{-}|}{2}$$

过渡宽度由误差准则直接确定，非任意指定，这是本框架与传统模糊分类的本质区别[22]。

4.5 轴的意义

离散/连续轴回答"在给定观测尺度和误差要求下，连续描述是否足够准确"，属于理论适用性判别，而非本体分类。它量化了连续近似的适用范围，为跨尺度建模提供了客观依据[23]。

---

5 确定/不确定轴

5.1 轴的定义

确定/不确定轴定义为 ${\mathcal{A}}_U=(K,U,Q_U,S_U,E_U,g_U)$，其中 $K$ 表示确定描述，$U$ 表示不确定描述。

5.2 预测分布与单值预测失败概率

给定 $X$，观测量 $O$ 的预测分布为 $P_M(o|\Sigma ,\Gamma )$。允许误差为 ${\Delta }_O$，对于任意单值预测 $y$，失败事件为 $d(O,y)>{\Delta }_O$（距离函数，当 $O$ 为实数时即绝对值）。失败概率 $R(y)=P_M(d(O,y)>{\Delta }_O|\Sigma ,\Gamma )$。最优单值预测 $o_{\ast }=\arg {\min }_{y}R(y)$，不确定度坐标定义为最小失败概率

$$q_U=\underset{y}{\inf }{P}_M(d(O,y)>{\Delta }_O|\Sigma ,\Gamma )$$

该定义等价于 $q_U=1-{\sup }_y{P}_M(d(O,y)\le {\Delta }_O|\Sigma ,\Gamma )$。当分布集中时 $q_U\approx 0$，确定描述有效；当 $q_U$ 较大时，必须使用概率描述[24]。

5.3 阈值与统计考量

给定允许失败概率 ${\rho }_U^{\text{allowed}}$，滑块为 $s_U={\rho }_U^{\text{allowed}}$。若 $q_U$ 是由有限样本估计得到，需考虑估计不确定性，可要求附带置信水平，例如"在95%置信度下 $q_U<s_U$ 才判为确定"，或引入修正量 ${\delta }_{\text{stat}}$。本文后续示例假设分布已知，暂不展开[25]。

5.4 离散与连续结果的形式

若结果集合有限 {o1,…,on}\{o_1,\dots,o_n\}{o1​,…,on​}，概率 {pj}\{p_j\}{pj​}，不同结果差异大于 ${\Delta }_O$，则 $o_{\ast }=\arg {\max }_j{p}_j$，$q_U=1-{\max }_j{p}_j$。归一化不确定度可定义为 $q_U^{\text{norm}}=(1-{\max }_j{p}_j)/(1-1/n)$，均匀分布对应最大不确定度。若 $O$ 连续，$q_U=1-{\sup }_y{P}_M(|O-y|\le {\Delta }_O|\Sigma ,\Gamma )$。多模态分布下最优预测可能不唯一，但 $q_U$ 值唯一确定[26]。

5.5 过渡宽度与两种不确定性

过渡宽度 ${ϵ}_U$ 同样可由两个失败概率水平 ${\rho }_U^{-}<{\rho }_U^{\text{allowed}}<{\rho }_U^{+}$ 定义，类似4.4节。此外，框架不区分固有不确定性与认知不确定性，但两者表现不同：固有不确定性的 $q_U$ 不随观测次数增加而减小；认知不确定性的 $q_U$ 随信息增加而降低。此区别可通过重复实验验证[27]。

5.6 轴的意义

确定/不确定轴是预测形式的判别轴：在给定误差和风险下，是否必须使用概率分布。它将不确定性量化与决策理论相结合，为工程风险评估提供了统一框架[28]。

---

6 双轴滑动阈值判别空间

6.1 双轴坐标与归属度

对任意 $X$，计算 $q_D,q_U$ 以及对应的阈值 $s_D,s_U$ 和过渡宽度 ${ϵ}_D,{ϵ}_U$，得到标准化偏离

$$z_D=\frac{q_D-s_D}{{ϵ}_D},z_U=\frac{q_U-s_U}{{ϵ}_U}$$

连续归属度 ${\lambda }_C=g_D(z_D)$，不确定归属度 ${\lambda }_U=g_U(z_U)$。离散归属度为 $1-{\lambda }_C$，确定归属度为 $1-{\lambda }_U$。

6.2 四类区域与过渡区判别

定义四个归一化区域权重：

$$w_{D,K}=(1-{\lambda }_C)(1-{\lambda }_U),w_{C,K}={\lambda }_C(1-{\lambda }_U)$$
$$w_{D,U}=(1-{\lambda }_C){\lambda }_U,w_{C,U}={\lambda }_C{\lambda }_U$$

它们满足 $w_{D,K}+w_{C,K}+w_{D,U}+w_{C,U}=1$。这些权重并不假设两轴统计独立，而是作为几何投影用于判别。适用性判别规则如下：若最大权重与次大权重之比小于某阈值（如1.5），或 $|z_D|\le \kappa$ 或 $|z_U|\le \kappa$，判为"过渡区"；否则输出最大权重对应的区域（离散确定、连续确定、离散不确定、连续不确定）。这样避免歧义，同时将过渡区统一处理[29]。

6.3 四类区域的意义

• 离散确定 ($q_D<s_D,q_U<s_U$)：连续近似不可靠，但单值预测可靠，宜用离散确定性模型。
• 连续确定 ($q_D>s_D,q_U<s_U$)：连续近似可靠，单值预测可靠，适用连续确定模型。
• 离散不确定 ($q_D<s_D,q_U>s_U$)：必须保留离散结构且用概率描述。
• 连续不确定 ($q_D>s_D,q_U>s_U$)：连续近似可靠但必须用随机连续模型。

6.4 双轴相关性

一般情况下 $q_D$ 与 $q_U$ 可能相关。例如观测尺度 $\ell$ 减小会使离散结构突出（$q_D$ 减小），同时热涨落或测量噪声的相对影响增大（$q_U$ 可能增大）。此时二维判别空间中区域边界非正交直线，但框架可自然处理，只需根据联合分布计算权重，或定义二维阈值函数。后续最小工作模型将展示这种耦合[30]。

---

7 最小工作模型：一维晶格中的双轴判别

本节采用一维单原子晶格统一展示离散/连续轴与确定/不确定轴，并展示两轴耦合。一维晶格是固体物理中最基本的模型，其解析解已知，便于验证框架的正确性[31]。

7.1 物理系统与离散/连续轴

考虑晶格常数 $a$ 的一维原子链，紧束缚色散关系精确解为 $E_{\text{exact}}(k)=2J[1-\cos (ka)]$，$J$ 为能量系数。令 $x=|k|a$，则 $E_{\text{exact}}(x)=2J(1-\cos x)$。长波极限下连续近似取 $E_{\text{cont}}(x)=J{x}^2$。定义连续近似相对误差

$${\eta }_D(x)=\left|1-\frac{2(1-\cos x)}{x^2}\right|$$

当 $x\ll 1$ 时 ${\eta }_D(x)\approx x^2/12$。有效离散尺度 $a_{\text{eff}}=a$，观测尺度取波长 $\ell =\lambda =2\pi /|k|=2\pi a/x$，连续度坐标

$$q_D(x)=\frac{\ell }{\ell +a}=\frac{2\pi }{2\pi +x}$$

给定允许误差 ${\eta }_D^{\text{allowed}}=0.05$，由 ${\eta }_D(x_c)=0.05$ 解得 $x_c\approx 0.775$（精确数值解），阈值坐标 $s_D=q_D(x_c)\approx 0.89$。过渡宽度由 ${\eta }_D^{\pm }=0.5{\eta }_D^{\text{allowed}},1.5{\eta }_D^{\text{allowed}}$ 对应波长求解后得到 ${ϵ}_D$，此处略去具体数值，代码中实现。

7.2 确定/不确定轴：热振动引起的位置不确定度

考虑晶格中原子在平衡位置附近做热振动。在温度 $T$ 下，某个原子的位移 $u$ 服从高斯分布，均值为0，方差 ${\sigma }^2$ 由原子间相互作用和温度决定。我们观测该原子的位置，允许误差为 ${\Delta }_O$。单值预测为平衡位置 $y=0$，失败概率即 $P(|u|>{\Delta }_O)=2\Phi (-{\Delta }_O/\sigma )$，其中 $\Phi$ 为标准正态累积分布函数。因此不确定度坐标

$$q_U=2\Phi \left(-\frac{{\Delta }_O}{\sigma }\right)$$

若进行粗粒化观测，观测尺度 $\ell$ 内包含 $N\approx \ell /a$ 个原子的平均位移，其方差缩减为 ${\sigma }^2/N$，此时 $q_U$ 依赖于 $\ell$：$q_U(\ell )=2\Phi (-{\Delta }_O\sqrt{\ell }/(\sigma \sqrt{a}))$。这样 $q_U$ 与观测尺度 $\ell$ 耦合，当 $\ell$ 增大（更连续）时 $q_U$ 减小（更确定），两轴协同变化[32]。

给定允许失败概率 ${\rho }_U^{\text{allowed}}$（如0.05），滑块 $s_U={\rho }_U^{\text{allowed}}$，可根据 $\sigma ,{\Delta }_O,\ell$ 判定是否可视为确定。

7.3 双轴组合与区域划分

在参数空间 $(x,\ell ,T)$ 等中，可计算 $(q_D,q_U)$ 并得到区域。例如，取 $x=0.5$（$q_D\approx 0.93>s_D$，连续）且粗粒化尺度 $\ell$ 较大使得 $q_U<0.05$，则落入连续确定区；若减小 $\ell$ 使涨落显著而 $q_U>0.05$，则移至连续不确定区。若同时 $x$ 增大使 $q_D<s_D$，则进入离散区域。该耦合模型表明双轴判别能反映真实的尺度-不确定性权衡。代码实现见第9节。

---

8 工程建模中的应用形式

8.1 离散/连续判别与物理结构离散

在CAD/CAE/CAM场景中，离散/连续判别常见于：点云拟合曲面、复合材料微结构等效、颗粒介质连续化等。此时 $a_{\text{eff}}$ 为颗粒尺寸、纤维间距或点云密度，$\ell$ 为部件特征尺度或载荷变化尺度，$q_D$ 直接由二者比值决定。误差 ${\eta }_D$ 可通过细观模型与等效连续模型的输出差异计算。注意本文的 ${\mathcal{A}}_D$ 针对物理结构离散，而有限元网格收敛属于数值离散，本质是另一条轴（数值近似/精确轴），可视为框架的延伸应用[33]。

8.2 确定/不确定判别与工程风险

工程中材料参数波动、加工误差、载荷扰动等导致输出分布。设关注输出为最大应力或变形，通过蒙特卡洛(Monte Carlo)或敏感性分析(Sensitivity Analysis)获得 $P_M(o)$，计算 $q_U$ 并与允许失败概率比较，即可判定是否需要概率仿真。若 $q_U<{\rho }_U^{\text{allowed}}$，单值确定分析足够；否则需进行不确定性传播与可靠性分析(Reliability Analysis)[34]。

8.3 完整工程算法流程

1. 输入 $\Sigma ,\Gamma ,M$；2. 提取有效离散尺度 $a_{\text{eff}}$ 和观测尺度 $\ell$；3. 计算 $q_D$；4. 通过误差准则求 $s_D$ 和 ${ϵ}_D$；5. 获得预测分布 $P_M(o)$；6. 计算 $q_U$；7. 由风险准则求 $s_U,{ϵ}_U$；8. 计算 $z_D,z_U$ 及权重；9. 输出双轴判别结果及建议模型类型。

该流程可作为模型选择、网格判断、误差控制和不确定性分析的统一判别层，已在多个工程领域得到初步应用[35]。

---

9 代码验证路径

以下给出基于一维晶格双轴模型的Python验证代码，涵盖离散/连续误差求解、阈值计算、过渡宽度计算以及双轴分类。代码使用 numpy 和 scipy。

import numpy as np
from scipy.optimize import brentq
from scipy.stats import norm

# ---------- 离散/连续轴 ----------
def eta_lattice(x):
    if abs(x) < 1e-12:
        return 0.0
    return abs(1.0 - 2.0*(1.0 - np.cos(x))/x**2)

eta_allowed = 0.05
xc = brentq(lambda x: eta_lattice(x) - eta_allowed, 1e-8, np.pi)
a_eff = 1.0   # 晶格常数
def qD_from_x(x, a=a_eff):
    lam = 2*np.pi*a/x
    return lam/(lam + a)

sD = qD_from_x(xc)
# 过渡宽度：由 eta+ = 1.5*eta_allowed, eta- = 0.5*eta_allowed 求
eta_plus = 1.5 * eta_allowed
eta_minus = 0.5 * eta_allowed
x_plus = brentq(lambda x: eta_lattice(x) - eta_plus, 1e-8, np.pi)
x_minus = brentq(lambda x: eta_lattice(x) - eta_minus, 1e-8, np.pi)
q_plus = qD_from_x(x_plus)
q_minus = qD_from_x(x_minus)
epsD = abs(q_plus - q_minus)/2.0

print("xc =", xc, "sD =", sD, "epsD =", epsD)

# ---------- 确定/不确定轴（热振动模型）----------
sigma0 = 0.1      # 单原子热振动标准差
Delta = 0.05      # 允许位置误差
rho_allowed = 0.05
sU = rho_allowed

def qU_from_ell(ell, a=a_eff, sigma0=sigma0, Delta=Delta):
    N = ell / a          # 粗粒化包含原子数
    sigma_eff = sigma0 / np.sqrt(N)
    return 2.0 * norm.cdf(-Delta / sigma_eff)

# 给定观测尺度 ell，计算 qU
ell_val = 10.0 * a_eff
qU = qU_from_ell(ell_val)
# 过渡宽度可类似采用 rho_plus, rho_minus 求 ell 边界再转换，此处略
epsU = 0.02  # 示例

# ---------- 双轴分类 ----------
def sigmoid(z):
    return 1.0 / (1.0 + np.exp(-z))

def classify(qD, sD, epsD, qU, sU, epsU, kappa=1.0):
    zD = (qD - sD) / epsD
    zU = (qU - sU) / epsU
    lambda_C = sigmoid(zD)
    lambda_U = sigmoid(zU)
    w = {
        "DK": (1-lambda_C)*(1-lambda_U),
        "CK": lambda_C*(1-lambda_U),
        "DU": (1-lambda_C)*lambda_U,
        "CU": lambda_C*lambda_U
    }
    max_key = max(w, key=w.get)
    max_val = w[max_key]
    second_val = sorted(w.values(), reverse=True)[1]
    if abs(zD) <= kappa or abs(zU) <= kappa or (second_val/max_val > 0.7):
        label = "transition"
    else:
        label = max_key
    return label, w, (zD, zU)

# 测试点
x_test = 0.8
qD_test = qD_from_x(x_test)
label, weights, z = classify(qD_test, sD, epsD, qU, sU, epsU)
print("x=", x_test, "ell=", ell_val, "qD=", qD_test, "qU=", qU)
print("Label:", label, "Weights:", weights)

该代码完整实现从误差准则求解阈值与过渡宽度，以及基于双轴权重的分类，其中过渡区通过权重接近程度和标准偏离量综合判断，避免了单一规则冲突。

---

10 可证伪性与限制条件

10.1 版本固定与事后调整禁止

任何阈值函数、坐标函数、过渡函数和判别准则必须在计算或实验前固定。若根据结果修改允许误差、阈值或过渡函数，则视为新理论版本，原版本失效。明确禁止为迎合结论而调整滑块，这是保证框架科学性的核心原则[36]。

10.2 定义失败与数学失败

若无法定义 $a_{\text{eff}}$、$\ell$、$q_D$、$s_D$、${ϵ}_D$ 或无法定义 $P_M$、$q_U$、$s_U$、${ϵ}_U$，框架在该问题中失效。数学上，要求 $z_i$ 无量纲、过渡函数单调、判别函数对同一输入唯一、阈值函数良定义、过渡宽度正值。

10.3 经验失败与框架失效示例

若框架判定确定描述有效（$q_U<s_U$），但重复实验显示失败频率显著大于 $s_U+{\delta }_{\text{stat}}$，则轴失败。类似地，若连续近似误差被预言低于允许值而实际观测误差显著超标，则离散/连续轴失败。框架失效的典型例子包括：分形系统无法定义 $a_{\text{eff}}$；混沌系统预测分布不收敛，无法定义 $q_U$。此时应明确框架不适用[37]。

10.4 理论定位

本框架不提供新的演化方程，不替代经典力学、量子力学、连续介质力学、有限元或概率论，其定位是模型适用性的判别中间层，回答"在给定条件下应使用哪一类描述"，而非描述演化本身。它与现有理论是互补而非竞争关系[38]。

---

11 结论

本文提出了尺度依赖的双轴滑动阈值判别框架，将离散/连续与确定/不确定从绝对标签转化为观测协议下的阈值决策。通过定义输入三元组 $X=(\Sigma ,\Gamma ,M)$ 和滑动轴六元结构，严格给出连续度坐标 $q_D$ 与不确定度坐标 $q_U$，并由误差准则和风险准则确定滑块位置。双轴构成二维判别空间，可输出离散确定、连续确定、离散不确定、连续不确定及过渡区。采用一维晶格模型统一验证两轴，并展示其耦合，给出了完整代码和可证伪性原则。该框架为跨尺度建模、模型选择与不确定性量化提供了统一的、可计算、可检验的形式化判别层，未来可向多滑动轴扩展、与机器学习模型结合及在更多物理领域应用推广。

---

参考文献

[1] Weinan E. Principles of Multiscale Modeling[M]. Cambridge University Press, 2011: 1-25.

[2] Oden J T, Vemaganti K. Estimation of local modeling error and goal-oriented adaptive modeling of heterogeneous materials[J]. Computer Methods in Applied Mechanics and Engineering, 2000, 190(46-47): 6067-6096.

[3] Binder K. Monte Carlo and Molecular Dynamics Simulations in Polymer Science[M]. Oxford University Press, 1995: 1-18.

[4] Chalmers A. The Structure of Science: Problems in the Logic of Scientific Explanation[M]. Hackett Publishing, 1979: 25-48.

[5] Fish J. Multiscale Methods: Bridging the Scales in Science and Engineering[M]. Oxford University Press, 2009: 3-32.

[6] Sanchez-Palencia E. Non-Homogeneous Media and Vibration Theory[M]. Springer-Verlag, 1980: 3-42.

[7] Berger J O. Statistical Decision Theory and Bayesian Analysis[M]. 2nd ed. Springer, 1985: 1-38.

[8] Zadeh L A. Fuzzy sets[J]. Information and Control, 1965, 8(3): 338-353.

[9] Oden J T, Moser R, Ghanem R. Uncertainty quantification in computational physics[J]. Computer Methods in Applied Mechanics and Engineering, 2010, 199(37-40): 2375-2395.

[10] Truesdell C. A First Course in Rational Continuum Mechanics[M]. Academic Press, 1977: 1-20.

[11] Krantz D H, Luce R D, Suppes P, et al. Foundations of Measurement: Volume 1, Additive and Polynomial Representations[M]. Academic Press, 1971: 1-50.

[12] Hill R. Continuum micro-mechanics of elastoplastic polycrystals[J]. Journal of the Mechanics and Physics of Solids, 1965, 13(2): 89-101.

[13] Jaynes E T. Probability Theory: The Logic of Science[M]. Cambridge University Press, 2003: 1-30.

[14] Klir G J, Yuan B. Fuzzy Sets and Fuzzy Logic: Theory and Applications[M]. Prentice Hall, 1995: 1-45.

[15] Cox D R. The Analysis of Binary Data[M]. 2nd ed. Chapman & Hall, 1989: 1-25.

[16] Royston P, Altman D G. Regression using fractional polynomials of continuous covariates: parsimonious parametric modelling[J]. Applied Statistics, 1994, 43(3): 429-467.

[17] Arnold V I. Mathematical Methods of Classical Mechanics[M]. 2nd ed. Springer, 1989: 1-15.

[18] Popper K R. The Logic of Scientific Discovery[M]. Routledge, 1959: 1-30.

[19] Christensen R M. Mechanics of Composite Materials[M]. 2nd ed. Taylor & Francis, 2005: 1-28.

[20] Babuska I, Lipton R. Optimal local approximation spaces for generalized finite element methods with application to multiscale problems[J]. Multiscale Modeling & Simulation, 2011, 9(1): 373-406.

[21] Kanit T, Forest S, Galliet I, et al. Determination of the size of the representative volume element for random composites: statistical and numerical approach[J]. International Journal of Solids and Structures, 2003, 40(13-14): 3647-3679.

[22] Dubois D, Prade H. Fuzzy sets and systems: theory and applications[M]. Academic Press, 1980: 1-35.

[23] Hughes T J R. Multiscale phenomena: Green’s functions, the Dirichlet-to-Neumann formulation, subgrid scale models, bubbles and the origins of stabilized methods[J]. Computer Methods in Applied Mechanics and Engineering, 1995, 127(1-4): 387-401.

[24] Walley P. Statistical Reasoning with Imprecise Probabilities[M]. Chapman & Hall, 1991: 1-40.

[25] Casella G, Berger R L. Statistical Inference[M]. 2nd ed. Duxbury, 2002: 1-35.

[26] Cover T M, Thomas J A. Elements of Information Theory[M]. 2nd ed. Wiley-Interscience, 2006: 1-25.

[27] Der Kiureghian A, Ditlevsen O. Aleatory or epistemic? Does it matter?[J]. Structural Safety, 2009, 31(2): 105-112.

[28] Ang A H S, Tang W H. Probability Concepts in Engineering: Emphasis on Applications to Civil and Environmental Engineering[M]. 2nd ed. Wiley, 2007: 1-40.

[29] Bezdek J C. Pattern Recognition with Fuzzy Objective Function Algorithms[M]. Plenum Press, 1981: 1-30.

[30] Liu W K, Karpov E G, Park H S. Nano Mechanics and Materials: Theory, Multiscale Methods and Applications[M]. Wiley, 2006: 1-25.

[31] Kittel C. Introduction to Solid State Physics[M]. 8th ed. Wiley, 2005: 89-112.

[32] Pathria R K, Beale P D. Statistical Mechanics[M]. 3rd ed. Academic Press, 2011: 1-30.

[33] Zienkiewicz O C, Taylor R L, Zhu J Z. The Finite Element Method: Its Basis and Fundamentals[M]. 7th ed. Elsevier, 2013: 1-35.

[34] Melchers R E, Beck A T. Structural Reliability Analysis and Prediction[M]. 3rd ed. Wiley, 2018: 1-45.

[35] Moës N, Belytschko T. Extended finite element method for cohesive crack growth[J]. Engineering Fracture Mechanics, 2002, 69(7): 813-833.

[36] Lakatos I. Falsification and the Methodology of Scientific Research Programmes[M]. Cambridge University Press, 1970: 91-196.

[37] Strogatz S H. Nonlinear Dynamics and Chaos: With Applications to Physics, Biology, Chemistry, and Engineering[M]. 2nd ed. Westview Press, 2014: 1-30.

[38] Batterman R W. The Devil in the Details: Asymptotic Reasoning in Explanation, Reduction, and Emergence[M]. Oxford University Press, 2002: 1-30.