新AI方法攻克科学界最难的数学难题之一

本文介绍了一种名为‘磨光层（Mollifier Layers）’的新型AI建模技术，旨在更可靠、更高效地求解‘反问题偏微分方程（inverse PDEs）’。反问题就像观察池塘水波，倒推出扔下石子的位置——我们能看到结果（如DNA结构、气象变化），却难以准确还原背后的隐性原因（如表观遗传修饰、大气物理过程）。传统AI常依赖增加算力或扩大模型规模，但研究团队发现，许多科学难题的瓶颈其实在数学本身：现有自动微分方法在处理噪声数据和复杂系统时容易失稳、放大误差，就像反复放大一张锯齿状的粗糙线条，越算越不准。为此，团队借鉴1940年代数学家弗里德里希斯提出的‘磨光函数（mollifier）’思想，设计出嵌入神经网络的‘磨光层’——它先对原始输入数据进行智能平滑，再进行微分运算，从而显著抑制噪声、降低计算开销。实验证明，该方法大幅提升了解反问题PDE的稳定性与效率。在生物学中，它已成功应用于染色质（DNA-蛋白质复合结构）研究：过去只能观察纳米尺度（约100纳米）的染色质形态，却无法可靠推断驱动其动态变化的表观遗传反应速率；新方法则能定量估计这些反应速率，进而预测细胞在衰老、癌症或发育过程中的命运转变，为靶向干预提供新路径。该技术不局限于生物领域，还可推广至材料科学、流体力学等一切涉及复杂方程与噪声数据的科学场景，其核心目标是推动科学研究范式升级——从‘看见现象’迈向‘读懂规则’，最终实现对自然系统的理解与主动调控。