固定點與吸引子分析

一旦動力學模型（通常是 RNN 或 neural ODE）擬合完成，固定點分析便藉由尋找流場消失或近乎消失之處（慢點）、由局部 Jacobian 判定其穩定性，並描繪它們如何組織行為，來審問其運算。這是從訓練好的黑箱遞迴模型走向機制式說明的標準途徑：記憶可表現為一條線吸引子，二元決策可表現為由鞍點分隔的一對穩定固定點，振盪表現為極限環，而環吸引子則表現為一圈連續的固定點（如頭向編碼）。

此方法（Sussillo 與 Barak）雖強大，卻有其誠實的限制。固定點是模型的性質，其好壞受制於擬合品質與其下潛在坐標的可辨識性；慢點搜尋是一項最佳化，可能漏掉結構或回傳假性點；而在網路中找到一條線吸引子只是關於模型的證據，唯有經擾動佐證並在多次擬合間可重現時，才成為關於大腦的主張。善用之，它把擬合的動力學化為可檢驗的迴路假說；濫用之，則過度解讀資料並未釘牢的幾何。