训练好的物理模型不必重训：对预训练预测器做群平均，在非紧致对称群上也能强制对称
核心概要
对已训练好的物理代理模型，可以在测试时按对称群对输入变换、把输出变换回来再平均，从而在不改结构、不重训的前提下强制对称。紧致群上这一做法有已知的风险不增保证，并在 The Well 的多个代理模型上降低了误差；对单位缩放群和洛伦兹群这类非紧致群，归一化平均不再成立，Weyl 技巧与框架平均只在分布外或低数据情形带来明显收益，而直接用不变特征训练的模型与之相当或更好。
深度剖析
对已经训练好的物理代理模型，只要在测试时把同一输入按对称群变换、把预测结果变换回原坐标再平均，就能得到一个严格满足该对称性的预测器，而模型结构和权重都不需要改动。 此前的对称性做法多在训练前把约束写进网络结构，需要表示论或不变理论的构造，且不一定兼容当前主流架构；后验平均则把已训练模型当作任意函数处理。 在 The Well 发布的预训练代理模型上，对 active_matter、gray_scott、rayleigh_benard 等数据集，群平均后的预测误差低于原始基线，且只用每个时间步一个随机群元素近似连续群时也优于基线。
具体做法是把训练好的模型看成任意函数，在群轨道上求平均：对输入施加群元素、对输出施加逆变换，再对结果取平均。 对紧致群，这一平均就是关于归一化 Haar 测度的 Reynolds 算子，它等于到等变函数子空间的正交投影，因此在数据分布不变、目标等变的平方损失下不会增大期望风险。 连续群用蒙特卡洛采样近似，实验显示即使采样数很小也能带来改进；但 shear_flow 数据集因初始条件破坏对称性而没有改进，说明改进依赖变换确实是整个学习问题的对称性。
非紧致群没有可归一化的 Haar 测度，群平均无法照搬，替代方案是 Weyl 酉技巧、依赖数据的正交投影和框架平均三种构造。 Weyl 技巧把预测器与群复化，在紧致实形式上平均后再限制回实切片；框架平均把每个输入映射到轨道代表元的有限集合上求平均；两者都精确强制对称，但都不继承紧致群的风险保证。 在单位缩放群上，Weyl 投影在测试单位系未见时把回归 NRMSE 从基线水平降到更低、分类 KL 也下降，但在固定单位下反而增大了风险；框架平均避免了单位变换下的灾难性失败，却在固定单位训练的回归上明显降低精度。
启示与展望
演示范围限于 The Well 的二维笛卡尔网格代理模型、合成的单位缩放回归与分类任务、驱动协变双势阱的混沌动力学，以及 Pythia8 夸克-胶子喷注标记；喷注数据因束轴固定只具有部分洛伦兹对称，相关平均应视为选定变换窗口下的检验而非完整洛伦兹投影。
非紧致情形下 Weyl 投影与框架平均并不稳定优于基线，只在分布外或低数据时收益明显；数据依赖投影在训练集很小时最不稳定；能直接使用对称特征重训时，这些后验投影与之相当或更差。