← 返回 PaperDaily
大模型与智能体
马普所新作：MFPT响应首次有了闭式解，三个因子说透非线性本质
平均首达时间是刻画输运、反应、搜索和切换过程的“计时器”，但它的响应理论此前一直没有闭合解。这篇论文用一条巧妙的稳态–瞬态对应关系，把MFPT响应变成精确闭式公式，还顺手澄清了搜索效率里的一个“布拉埃斯悖论”，值得一读。
龙哥读论文
发布于 2026-08-26 00:20:01
阅读 4
查看原文
原论文信息如下：
首达时间响应：一个悬而未决的理论空白 想象这样一个问题：一个随机游走的粒子，从某个起始位置出发，第一次到达某个目标位置，平均要花多长时间？在物理、化学、生物甚至计算机科学里，这个“平均首达时间”（Mean First-Passage Time，MFPT）无处不在。它可以用来描述分子马达在两个旋转方向之间的平均切换时间、蛋白质折叠的平均等待时间、基因转录爆发的一个完整周期，甚至一个病毒成功感染细胞所需的时间。往大了说，动物觅食的搜索策略、复杂生化反应网络的完成时间、生态系统的韧性指标、算法的计算效率，全都与MFPT有关。
既然MFPT这么重要，一个再自然不过的问题就是：如果系统的参数发生扰动——比如某个状态的转移速率变了——这个“平均时间”会跟着怎么变？在平衡态的统计物理里，涨落耗散定理给出了非常漂亮的回答；但现实中有大量系统处于非平衡状态，尤其是生物系统，时刻都在应对环境波动。已有的非平衡响应理论大多针对稳态量，比如稳态概率或稳态流。MFPT是一种典型的“瞬时/瞬态”观测量，它涉及的是随机过程第一次到达目标的那一瞬间，而不是固定时间间隔内的平均值。传统的响应公式无法直接套用。
其实，在离散时间马尔可夫链的文献里，前人已经尝试过MFPT的敏感性分析，但得到的公式要么不封闭，要么涉及没有清晰物理含义的量。连续时间情形下，一个系统性的MFPT响应框架可以说一直缺席。本篇论文的目标，就是把这个空白补上。
巧妙的桥梁：从瞬态响应到稳态响应 这篇论文的出发点，是一个让人拍案叫绝的观察。直觉上，MFPT的响应和稳态概率的响应是两件“八竿子打不着”的事情：一个描述非稳态的首次到达过程，另一个描述长期不衰减的定态分布。但作者发现，只要在原系统上额外加一条从目标状态k指回初始状态l的单向“快重置边”，并把这条边的速率推向无穷大，那么MFPT就可以表示成辅助系统稳态概率的某种极限。于是，MFPT对某个转移速率W_mn的响应，就和从“第一次到达”说起 在物理世界里，很多问题都可以归结为：“一个随机过程要花多久才能第一次到达某个状态？”这个时间就是平均首达时间（Mean First-Passage Time，MFPT）。它小到分子马达的旋转切换，大到生态系统的韧性评估，几乎是所有随机动力学系统共通的“计时单位”。
但如果你问：系统参数变了，这个时间会怎么变？答案就变得模糊起来。对稳态物理量的响应，涨落耗散定理是一把利器；可MFPT的响应，至今没有一套系统的精确理论。难点在于，MFPT描述的是一个随机停止时刻，而非固定时刻的行为，它是瞬态观测量，不能简单套用稳态响应框架。这篇文章的目标，就是填补这个空白。
论文作者来自东京大学和德国马普所，一作是Ruicheng Bao，通讯是梁师翎（Shiling Liang）。他们把目光锁定在连续时间马尔可夫过程上，这是描述化学反应网络、基因调控、细胞信号传导等系统的基础模型。在这类系统中，每个状态之间的转移速率决定了整个动力学的节奏。所谓“响应”，就是当某个转移速率发生变化时，系统的MFPT会怎样随之改变。
巧妙的桥梁：从瞬态响应到稳态响应 文章的核心概念工具，是一条看似简单却非常反直觉的桥梁。直觉告诉我们，MFPT响应和稳态响应是两码事：一个是“从某地出发，第一次到目标的时间”，另一个是“经历无穷长时间后的概率分布”，二者无论从定义还是动力学上都属于不同范畴。
但作者做了一个大胆操作：在原来的系统上，人为地加一条从目标状态k回到起始状态l的“快速重置边”，速率记为W*。当这条边的速率趋近无穷大时，每次到达目标k后都会瞬间被送回起始状态l。这样一来，原本一次性的“首达事件”就变成了一个循环：从l出发、到达k、立刻重置回l、再次出发…… 而这些循环的“平均周期”，恰恰就对应MFPT。
图：MFPT响应与稳态响应之间的核心等价关系。左边是原系统的MFPT比值，右边是辅助系统（加了快速重置边）的稳态概率比值在重置速率趋于无穷时的极限。
这个式子把一个“瞬态”问题彻底转化成了“稳态”问题。而稳态响应在马尔可夫系统中是有成熟理论的——作者们去年已经推导出稳态概率对任意强度扰动的闭式表达式（见论文引文[36]）。两条线索一接，整个MFPT响应理论就拔地而起了。
这种“把瞬态量转化为稳态量”的做法，在物理直觉上是站得住的：重置边让系统不断重复首达过程，首达事件本身不再是一个孤立事件，而变成稳态流的一部分。作者特别感谢了Pedro Harunari的讨论，称正是这段交流启发了他们快速重置的思路。
三个物理因子：响应分解的直观图像 桥梁架好后，作者对响应公式做了分子层面的物理拆解。对于“扰动从n到m的转移速率W_mn”这一操作，MFPT响应可以分解为三个独立因子，每个都有清晰的物理含义。
图：三个响应因子的定义。τ_ij表示从状态j到状态i的平均首达时间，π_n表示状态n的稳态概率。
第一个因子U决定“上游可达性”。它衡量的是从起始状态l出发、在到达目标k之前先经过扰动源n的可能性。如果U为零，那么无论怎么扰动n状态的速率，对目标MFPT都没有影响——因为从l到k的轨迹根本不经过n。这就像是修路施工点设在了一条没有人走的岔路上，无论怎么施工，都不影响主路的通行时间。
第二个因子G决定响应的方向和幅度。它是τ_kn和τ_km之差——目标k与扰动终点m的MFPT差。这表明扰动到底是“加速”还是“减速”并不取决于起始状态，而是取决于扰动把粒子送往的方向是否比原来的状态更接近目标。如果m比n更接近k，增加W_mn就等于给粒子指了一条更快的路，MFPT自然下降；反之则上升。这个因子就像路牌，不管是哪个司机看到它，都会被指引向同一个方向。
第三个因子Σ是非线性筛选因子，支配着有限扰动的修正行为。当Σ为零时，从m出发的路径必经过n才能到达k，扰动引发的MFPT变化完全沿着直线外推，不存在“绕路”的二次效应。当Σ较大时，说明路径存在“旁路”，即使n状态被强扰动，目标端的MFPT响应也会被“截胡”而趋于饱和。这也解释了为什么有些边看似“紧要”，增强它却对MFPT几乎没有影响——下游的旁路把大部分粒子提前接走了。
图：非线性响应完整表达式。这个公式将MFPT的变化量写成了一个紧凑的分式，分子是三个因子的乘积，分母中的Σ项体现了非线性饱和效应。
从线性到非线性：精确的响应公式 有了桥梁和因子分解，接下来就是硬核推导了。论文给出了两个核心公式：线性响应公式和非线性响应公式。
图：线性响应公式。这个式子说明MFPT的线性响应完全由未受扰系统的MFPT值和稳态概率决定，不需要任何其他信息。
图：非线性响应与线性响应的精确关系式。这一式子表明，任意强度的单边扰动响应都可以由一个分母因子从线性响应直接推导出来。
这两个公式放一起，意味着什么呢？线性响应是MFPT对扰动速率的一阶导数，形式非常简洁——它等于稳态概率、上下游因子三项的乘积。而更令人惊讶的是非线性部分：无论扰动多么强，MFPT的变化都可以用一个简单的分式表达，分母只多了一个Σ项。
这带来一个极其实用的推论：只需测量一个非线性参考点的数据，就能重构整条响应曲线。公式(5)把这个过程说得非常明白——知道未受扰的MFPT、线性响应和一个有限扰动的MFPT，就能推出任意扰动强度下的MFPT值。这在实验中意味着，不需要逐点扫描参数空间，测三个点就能画出全局曲线，省时省力到让人心动。
图：全响应曲线重构公式。利用未受扰的MFPT τ_kl、线性响应∂τ以及一个非线性参考点τ_ref，即可预测任意扰动强度下的MFPT。
更进一步的还有高阶响应。论文推导了二阶导数的解析表达式，指出一阶导数和曲率就可以完全确定非线性筛选因子。换句话说，不需要做大量非线性实验，只要测量初始段的弯曲程度，就能预知整个系统的非线性行为。这在方法论上可以说是一种“以小博大”的优雅。
图：MFPT二阶响应公式。二阶响应与一阶响应直接相关，比例系数正是非线性筛选因子。这意味着“测导数”就能推断非线性行为。
应用与验证：折叠网络与搜索效率 理论再漂亮，最终也要接受检验。论文的验证部分没有停留在随机马尔可夫链的数值模拟上，而是挑选了一个具有生物学背景的最小折叠网络模型。模型包含六个状态：天然态N、去折叠态U、中间态I、错误折叠状态M以及分子伴侣复合物C。折叠起始于U，目标是N，而扰动对象是I到M的速率，即错误折叠的倾向性。
图1：(a) 折叠网络的陷阱-瓶颈几何结构，以及与同一扰动边I→M相关、作用于下游的分子伴侣循环（捕获M→C、生产性释放C→N和无效释放C→I，均以绿色标出）。(b) 折叠时间τ_NU对陷阱进入速率W_MI缩放c的有限响应，双对数坐标。蓝色曲线是不含分子伴侣的网络，绿色曲线是含分子伴侣的网络，阴影区域被普适不利侧包络线τ(c)≤cτ(1)所禁止。实线来自公式(3b)的精确预测，标记为直接数值计算结果。
这个模型设置非常精妙，它恰好展示了非线性筛选因子的威力。没有分子伴侣时，从M状态回到N的路径都必须经过I，因此Σ=0，MFPT对错误折叠速率的响应是线性的、无界的——错误折叠越强，折叠时间越长，没有上限。加入分子伴侣后，出现了新的路径M→C→N，绕过I，Σ>0，响应变成有界饱和。直观地说，分子伴侣相当于给系统加了一层“保险”，把错误折叠的影响隔离在下游。
图2：折叠网络例子的补充数值面板。(a) 不同初始状态下分子伴侣网络中的上游可达性。(b) 分子伴侣捕获速率W_CM变化时的下游增益/损失，它在W_CM≈6.7处改变符号，远高于图1中所用的数值（虚线所示）。
除生物网络外，论文还研究了复杂网络中的搜索效率问题。全局平均首达时间（GMFPT）定义为所有初始状态到同一目标k的MFPT的平均值。作者在此基础上给出了一个“动力学捷径”的定义：若某条边n→m使系统更接近目标（即τ_km < τ_kn），那么增强这条边的速率一定可以降低GMFPT。公式(11)严格证明了这一点。
图：全局平均首达时间（GMFPT）对单条边速率的响应公式。S_k,n是一个非负因子，括号中的差值决定了扰动的方向。
有趣的是，这一结果还顺手澄清了一个此前报道的“布拉埃斯型悖论”（Braess-type paradox）。在复杂网络搜索问题中，有人发现增加一条边反而导致平均搜索时间变大。这种违反直觉的现象看起来和交通网络中的Braess悖论如出一辙。作者指出，这个“悖论”的出现是因为衡量标准不同——如果采用目标分辨的GMFPT，动力学捷径总是有益的；但如果对目标再求一次平均（即所有目标的GMFPT再取平均），不同目标对同一条边的方向偏好可能互相抵消，就会人为制造出“加边反而变慢”的假象。
这个澄清很有价值，它说明“悖论”的根源在于度量选择，而非网络本身的特殊性质。
数值验证与复杂性优势 理论是否正确，数值实验是基本的验证手段。论文做了大规模的随机测试：在10万次迭代中，每次生成一个8状态的全连接马尔可夫链，转移速率在[0.01, 10]范围内均匀随机抽取，然后随机选择一对状态作为MFPT的起止点、另一对作为扰动边，扰动强度同样随机抽取。
图：精确单速率更新公式的数值验证。在10万次迭代中，随机生成8状态全连接马尔可夫链，转移速率在[0.01, 10]间均匀抽取，随机选择MFPT状态对和扰动状态对，扰动强度也在[0.01, 10]间均匀抽取。数值MFPT比值与理论预测精确吻合。
结果显示，数值模拟与理论预测在10万次随机测试中完全吻合，无一例外。这说明公式(3b)不是针对特定网络结构的巧合，而是对所有不可约连续时间马尔可夫链都成立的普适结论。这种测试策略比较扎实——随机生成10万组不同的网络拓扑和速率参数，远比只验证一两个例子更有说服力。
此外，论文还讨论了计算复杂度的优势。表格II对比了基于响应公式的稀疏更新算法与传统全矩阵方法的计算开销：
表II：计算复杂度对比。假设基准MFPT矩阵和稳态分布已知。响应更新列对应公式(15)和引理1的直接递归实现。
对于稀疏扰动（只改变少数几条边），响应公式的更新复杂度只取决于被扰动边的数量，而与系统总状态数无关。这意味着即使在包含成千上万个状态的网络里，只要扰动是局部的，计算代价也可以控制在很小的范围。这种“全局观测量、局部更新”的特性在基因调控网络、信号传导网络这类状态空间较大的场景中尤其有价值。
这背后的原因并不神秘：虽然MFPT是全局观测量，但对单条边扰动的响应本质上只依赖于这条边在“源-目标”通量中的角色。论文通过因子分解揭示的正是这一点——上下游因子限定了响应的影响范围，所以更新公式不需要重新计算整个网络的MFPT矩阵。
总结与展望 整体来看，这篇工作的核心贡献是提供了一套完整的、闭式的MFPT响应理论。它一方面将瞬态响应问题转化成了稳态响应问题，另一方面把非线性响应拆解为三个有清晰物理含义的因子，并通过公式(3a)-(3b)给出了从线性到非线性的紧凑表达式。论文的理论推导是精确的，不依赖微扰展开假设，适用于任意强度的单边速率扰动。
更有延伸价值的是，这套理论不局限于MFPT本身。作者指出，结合矩阵微扰方法，可以将响应理论推广到首达时间的高阶矩甚至完整分布；而公式中因子分解的结构，也为实验物理学家提供了一种新的“响应诊断”工具——不需要知道具体的转移速率矩阵，只需测量MFPT对扰动的响应曲线，即可反推待测边的动力学重要性。这在生物实验中对那些难以直接测量的速率参数的推断具有重要意义。
当然，这篇论文也有一些未展开的方向。比如，对多速率同时扰动的非线性响应，虽然给出了递归框架，但显式的多边闭式公式只做了初步讨论；对高阶矩和完整首达时间分布的响应理论也只是展望。如果说这是一栋新房子，那么地基和承重墙已经完工了，内部装修和房间划分还有不少可以继续做的工作。
另外值得一提的是，作者在文末提到在完成工作之际发现了另一篇标题相似的论文，但他们指出二者的侧重点不同：那篇研究的是沿轨迹的稀有随机激活对MFPT的线性响应，而本文处理的是系统参数的确定性扰动。这种学术上的“碰车”其实非常常见，但两篇论文的理论框架各不相同，可以互为补充。
龙迷三问 这篇论文到底在解决什么问题？ 这篇论文建立了连续时间马尔可夫过程中平均首达时间（MFPT）的线性与非线性响应理论。这篇工作最值得看的点是什么？ 论文通过数值模拟验证了理论预测，在10^5次随机生成的8状态全连接马尔可夫链上，数值MFPT比率与精确预测完全一致。在蛋白质折叠网络示例中，理论预测与直接数值计算完全吻合。这篇工作的边界或风险在哪里？ 优点：(1)建立了MFPT响应与稳态响应之间的精确对应关系，概念上极具创新性；(2)获得了任意强度扰动的精确闭式表达式，不仅限于线性响应；(3)响应分解为具有明确物理意义的三个因子（上游可达性、下游增益/损失、下游非线性屏蔽）；(4)计算效率高，适用于稀疏扰动。缺点：(1)目前仅针对连续时间马尔可夫过程，推广到其他随机过程需要进一步研究；(2)多速率扰动的递归更新过程可能较为复杂；(3)理论框架的生物学应用仍限于简化模型。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
通过建立平均首达时间（MFPT）响应与辅助系统稳态响应之间的精确对应关系，将瞬态响应问题转化为稳态响应问题，从而获得任意强度扰动下MFPT响应的精确闭式表达式。实验合理度： ★★★☆☆
现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。学术研究价值： ★★★★☆
通过建立平均首达时间（MFPT）响应与辅助系统稳态响应之间的精确对应关系，将瞬态响应问题转化为稳态响应问题，从而获得任意强度扰动下MFPT响应的精确闭式表达式；更关键的是问题定义是否可复用到同类任务。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
对于K个扰动速率，更新所有MFPT和稳态分布的计算复杂度为O(KN²)，而直接重新计算为O(N⁴)复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： (1)目前仅针对连续时间马尔可夫过程，推广到其他随机过程需要进一步研究；
[1] 原文：Bao, R., & Liang, S. (2026). Exact First-Passage Time Response Theory from Steady-State Response. arXiv:2608.11202v1. [2] Bao, R., & Liang, S. (2024). Nonlinear response identities and bounds for nonequilibrium steady states. arXiv:2412.19602. [3] Redner, S. (2001). A Guide to First-Passage Processes. Cambridge University Press. [4] Condamin, S., Bénichou, O., Tejedor, V., Voituriez, R., & Klafter, J. (2007). First-passage times in complex scale-invariant media. Nature, 450, 77. [5] Arani, B. M. S., Carpenter, S. R., Lahti, L., van Nes, E. H., & Scheffer, M. (2021). Exit time as a measure of ecological resilience. Science, 372, eaay4895. [6] Kubo, R. (1966). The fluctuation-dissipation theorem. Reports on Progress in Physics, 29, 255. *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
首达时间不空谈，进群一起来“首次到达”最新知识彼岸！🎉 龙哥读论文粉丝群火热开放中，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称 （如 复杂系统+上海+清华+龙哥）。目前已有图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个方向群，等你加入～
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
