一种新的人工智能方法解决了科学界最难的数学问题之一

想象你站在一片池塘边，只看到水面上荡开的涟漪，却要精确推算出是哪块石头、从哪个位置、以多大的力气落入了水中。

这不是一道脑筋急转弯，而是科学界长期面对的一类根本性难题，数学上称为"逆偏微分方程"。宾夕法尼亚大学的一个工程师团队刚刚在《机器学习研究学报》发表了一项成果，他们用一个来自七十年前数学思想的灵感，让人工智能第一次稳定、高效地破解了这类方程。

这项研究将在2026年神经信息处理系统会议（NeurIPS）上正式亮相。

一个让数学家头疼了几十年的问题

偏微分方程是科学建模的基础语言。从天气预报到热传导，从人口增长到DNA在细胞核内的折叠方式，这些方程描述的是事物如何随时间和空间同步变化。

大多数科学家熟悉的用法是"正向"的：已知规则，预测结果。天气模型告诉你明天会不会下雨，热传导方程告诉你铁棒加热后温度如何分布。

但现实中更难也更关键的问题往往是反向的：你只有观测数据，却不知道背后的驱动力是什么。是什么表观遗传信号让某个基因在特定细胞里静默？是什么力量让染色质在细胞核内形成如此精密的三维结构？这类问题对应的就是"逆偏微分方程"，它要求从结果倒推原因。

人工智能理论上擅长处理复杂数据，但过去在逆偏微分方程面前，它却表现得不够可靠。问题出在计算高阶导数的环节，现有方法采用"递归自动微分"，每次迭代都像是在放大一条本来就粗糙不平的线条，越放大瑕疵越多，噪声累积，最终结果要么不稳定，要么需要消耗极大的计算资源。

宾夕法尼亚大学的研究团队意识到，单纯堆算力并不能解决这个问题。"现代人工智能通常通过扩大计算规模来取得进步，"博士候选人维纳亚克说，"但有些科学挑战需要的是更优秀的数学方法，而不仅仅是更强大的计算能力。"

"平滑层"：一个七十年前的老想法，解了当下最新的难题

解决方案来自一位名叫库尔特·奥托·弗里德里希斯的数学家，他在20世纪40年代提出了"平滑器"的概念，一种专门用来在分析前先消除函数毛刺和噪声的数学工具。

研究团队把这个古老的想法改造成了神经网络中的一个新模块，称为"缓和层"（Mollifier Layers）。它的工作原理很直观：在计算数据如何变化之前，先对数据做一次平滑处理，把噪声压下去，再进行后续的高阶导数计算。

这一步看似简单，效果却令人意外。引入缓和层之后，计算稳定性显著提升，所需的计算量也大幅下降，两个此前互相牵制的问题同时得到了改善。

研究团队一开始以为瓶颈在神经网络的架构设计上，花了大量时间调整网络结构，都没能根本解决问题。共同第一作者巴塔里回忆说，最终他们才意识到，症结其实在递归自动微分本身，而不是网络的形状。

这个发现让整个攻关方向发生了转变，也最终带来了突破。

从DNA折叠到天气预报，应用前景远超预期

研究团队最直接的应用场景是染色质研究。染色质是细胞核内DNA与蛋白质共同构成的复杂结构，负责决定哪些基因处于活跃状态，哪些被关闭。

这些结构只有约100纳米大小，但它们对细胞的身份、功能、衰老和疾病的影响是决定性的。此前，科学家可以观察染色质的形态并模拟其形成过程，但想要可靠地反推背后的表观遗传调控速率，一直是无法完成的任务。

缓和层方法为这个问题打开了一扇门。如果能够追踪这些调控速率在癌症、衰老和细胞分化过程中的变化，就有可能通过改变这些速率，将细胞重新引导到所需的状态，这对再生医学和癌症治疗都意味着全新的可能。

研究负责人维韦克·舍诺伊说得直白："如果你理解了支配一个系统的规则，你就有可能改变它。"

除遗传学外，这套方法在材料科学、流体力学、气候模型等涉及复杂方程和噪声数据的领域同样具有应用潜力，任何需要从可观测现象反推隐藏机制的科学问题，理论上都是它的用武之地。

科学进步的节奏有时候就是这样：一个七十年前的数学概念，遇上了今天最前沿的人工智能，在正确的时机，成为了开锁的那把钥匙。