观察池塘里的涟漪，你能准确说出石子是从哪里扔进去的吗？这个看似简单的逆向推理，正是科学界最难攻克的问题之一。宾夕法尼亚大学的工程师们最近给出了一种新解法——不是堆砌更多算力，而是改写数学本身。

研究团队开发的"Mollifier Layers"技术，专门处理一类被称为"逆向偏微分方程"（inverse PDEs）的数学难题。这类方程的独特之处在于：科学家需要从可见的结果反推隐藏的成因。材料科学与工程系Eduardo D. Glandt总统特聘教授Vivek Shenoy打了个比方："就像看着池塘的波纹，倒推找出石子落在哪里。你能清楚看到效应，真正的挑战是推断隐藏的原因。"

打开网易新闻 查看精彩图片

这项技术已发表在机器学习研究期刊TMLR，并将在NeurIPS 2026会议上展示。研究团队选择了一条与主流AI截然不同的路径——当行业普遍通过扩大模型规模来提升性能时，他们专注于优化底层的数学方法。

论文共同第一作者、博士生Vinayak Vinayak指出："现代AI往往靠堆算力来进步，但有些科学挑战需要更好的数学，而不只是更多计算资源。"

要理解这项突破的意义，需要先理清几层概念。微分方程帮助科学家描述事物如何随时间变化，从人口增长到化学反应、热传导都在其框架内。偏微分方程（PDEs）更进一步，同时描述时间和空间中的变化，用于建模天气模式、材料行为、甚至细胞核内DNA的折叠方式。

逆向PDEs的难度在于彻底翻转了常规流程。传统做法是从已知规则预测结果，逆向问题则是从观测数据出发，试图揭示背后的隐藏机制。Shenoy团队长期用这类方程研究染色质——即DNA在细胞核内的折叠状态——的组织方式。他们能看到结构、能模拟形成过程，却无法可靠地推断驱动这一系统的表观遗传过程，也就是控制基因活性的化学变化。

"我们越优化现有方法，越清楚地意识到数学本身需要改变。"Shenoy回忆道。

核心障碍在于"微分"这一数学操作。简单导数描述变化速率，高阶导数则捕捉更复杂的曲率信息。传统神经网络在处理高阶导数时会产生噪声，导致结果不可靠。Mollifier Layers通过一种数学平滑技术，在不牺牲精度的情况下稳定这些计算。

这种方法的潜在应用横跨多个领域：遗传学中破解基因调控的化学密码，材料科学中从成品结构反推加工工艺，气象学中从观测数据还原大气动力学。本质上，任何需要从"现象"回溯"机理"的场景都可能受益。

研究团队强调，这不是用大模型 brute-force 地拟合数据，而是在神经网络架构中嵌入更深层的数学结构。这种"先验知识"的注入，让AI在处理物理世界问题时更加高效、可解释。

一个值得关注的信号是：当AI行业陷入"规模即一切"的竞赛时，学术界正在探索另一条路径——让算法更聪明，而非仅仅更大。Mollifier Layers的命名本身就带有这种意味：Mollifier（磨光函数）是数学分析中用于平滑粗糙函数的经典工具，将其嵌入神经网络层，相当于把几百年的数学积累转化为机器可学习的结构。

对于依赖科学计算的产业，这可能意味着训练成本的实质性下降。更重要的是，它提供了一种思路：在特定领域，领域知识与机器学习架构的深度融合，或许比通用大模型的暴力扩展更具性价比。

当然，这项技术目前仍停留在研究阶段，距离工业级应用还有距离。论文选择在TMLR发表而非追逐顶会速览，本身也说明团队更看重方法的严谨性而非时效性。NeurIPS 2026的接收则验证了同行对其技术价值的认可。

从更宽的视角看，这项研究触及了AI for Science的一个核心张力：是应该先造通用工具再适配具体问题，还是针对特定科学问题从头设计算法？宾大团队显然站在后者一边。他们的选择暗示着，在物理、生物、材料等硬科学领域，"专用智能"可能比"通用智能"更快产生实际价值。

池塘里的涟漪仍在扩散，但扔石子的位置，或许不再那么难以捉摸。