工程师们开发出一种新型AI技术，能够解决数学中最具挑战性的一类问题——逆偏微分方程。这项名为“Mollifier Layers”的方法，使科学家能够从可见的模式中逆向推导出创造这些模式的隐藏过程，从而在遗传学、材料科学、天气预报乃至疾病机制研究中开辟全新可能。

自然界充满了我们看得见却难以解释的现象：池塘表面的涟漪、DNA在细胞核中的折叠方式、材料的裂纹扩展模式。这些可见的“效应”背后，隐藏着产生它们的“原因”。传统数学模型通常从已知规则出发预测结果；而逆问题则恰恰相反——从观测数据出发，反推隐藏的动力学过程。

“解决逆问题就像看着池塘里的涟漪，逆向推算出石子落入的位置和力量。”研究资深作者、宾夕法尼亚大学材料科学与工程系Vivek Shenoy教授解释道，“你能清楚地看到效果，但真正的挑战在于推断出隐藏的原因。”

逆PDEs：为什么如此困难？

偏微分方程是科学家描述事物如何随时间和空间变化的数学语言。它们被用于模拟从群体增长、化学反应到热传递的一切现象。而逆PDEs则更为复杂：它们从观测到的模式（如染色质的空间组织）出发，试图反推出控制该系统演化的未知参数（如表观遗传反应速率）。

Shenoy的团队在研究染色质（细胞核内DNA的折叠状态）时遇到了这一瓶颈。“我们能看到这些结构，也能模拟它们的形成，但无法可靠地推断驱动这一系统的表观遗传过程，”Shenoy说，“我们越尝试优化现有方法，就越清楚：数学本身需要改变。”

技术突破：Mollifier Layers如何工作

大多数用于逆PDEs的AI系统依赖一种称为递归自动微分的过程。这种方法在神经网络的每一层反复计算变化，但当处理高阶系统或噪声数据时，会变得不稳定且计算量巨大。研究者将这一问题比作不断放大一条锯齿线——每一步都会放大原有的微小误差和噪声，最终使计算完全不可靠。

受1940年代数学家Kurt Otto Friedrichs提出的“mollifiers”（磨光器）概念启发，团队创造出了一种可直接嵌入神经网络的“Mollifier Layer”。它的核心功能是在计算导数之前，先对信号进行平滑处理，从而有效滤除噪声，大幅提高计算稳定性并降低能耗。

“我们最初以为问题出在神经网络架构上，”论文共同一作Vinayak Vinayak说，“但经过仔细调整后，我们意识到瓶颈就是递归自动微分本身。”而Mollifier Layers的实施，“从根本上减少了噪声和能耗，使我们能够更可靠地求解这些方程，而无需承担同样的计算负担。”

生物医学应用：解码染色质与疾病

这一方法的首个应用场景是染色质的研究。在细胞核内，DNA被高度折叠成染色质，这种三维结构决定了哪些基因可以被读取和表达。这些结构极其微小（仅约100纳米），却在健康和疾病中扮演着关键角色。

“这些结构虽然只有100纳米，但由于可及性决定了基因表达，而基因表达又决定了细胞身份、功能、衰老和疾病，因此它们在生物学和健康中发挥着至关重要的作用。”Shenoy说。

Mollifier Layers使科学家能够推断出驱动染色质组织演化的表观遗传反应速率。这些速率随时间的变化可能与发育、衰老和癌症密切相关。

“如果我们能够追踪这些反应速率在衰老、癌症或发育过程中如何演变，”Vinayak补充道，“这将为新疗法创造可能：如果反应速率控制着染色质组织和细胞命运，那么改变这些速率就可能将细胞重定向到期望的状态。”

超越生物学：材料科学、流体力学与更多可能

研究者认为，Mollifier Layers的应用远不止于生物学。在材料科学中，它们可以帮助揭示控制裂纹扩展或相变的隐藏参数；在流体力学中，可以从流动模式反推流体性质；在科学机器学习的广泛领域，它们为处理含噪声数据和高阶方程提供了更稳定、更高效的计算方法。

“最终的目标是从观察复杂模式，转变为定量揭示生成这些模式的规则，”Shenoy说，“一旦你理解了控制一个系统的规则，你就拥有了改变它的可能性。”

对AI与科学交叉领域的启示

这项研究体现了一个重要的理念转变：现代AI的进步不应只依赖于扩大计算规模，优化数学本身同样关键。Mollifier Layers正是这一理念的实践——通过嵌入一个经过数学严格设计的“滤波器”，使神经网络能够更稳定地处理逆问题，而不仅仅是堆叠更多算力。

该研究已发表于《Transactions on Machine Learning Research》（TMLR），并将在NeurIPS 2026上进行展示。

原文参考：Vinayak, V., Bhartari, A. K., & Shenoy, V. (2026). Mollifier Layers: Enabling Efficient High-Order Derivatives in Inverse PDE Learning. TMLR. 宾夕法尼亚大学工程与应用科学学院。