这项 2026 年 7 月 16 日发布于 arXiv 的工作，关注一个常见但棘手的动力系统建模问题：系统的部分微分方程未知，同时只能测量部分状态。作者没有用神经网络替换整个系统，而是保留已知的常微分方程结构，仅让神经网络表示缺失的动力学部分。
在状态与参数之间交替估计
方法分为两个阶段，并反复迭代直到满足预设条件。第一阶段暂时固定模型参数，根据现有测量，使用 Rauch–Tung–Striebel（RTS）平滑器推断未被直接观测的潜在状态。与只依赖单个时刻的测量不同，这一步的目标是得到一条经过平滑的状态轨迹，为后续学习提供中间结果。
第二阶段则把平滑后的轨迹视为已知数据，通过反向传播更新神经网络参数。更新后的模型再用于下一轮状态推断。这样，潜在状态重建和未知动力学学习不必在一次端到端优化中同时解决，而是在两个相对明确的子问题之间交替推进。
保留机理结构，而非完全黑箱化
该框架的关键取舍是把已知物理规律继续写在 ODE 中，只将缺失部分交给神经网络。这有助于保留可解释的机理结构，也减少了网络需要拟合的范围。作者在包含线性、非线性和刚性动力学的基准系统上进行评估，场景均涉及部分状态观测。摘要称，该方法能够从不完整测量中学习缺失的 ODE 分量，并改善潜在状态重建与长时间预测。
我的判断
这项工作的价值不在于提出更大的神经微分模型，而在于把经典状态估计工具与神经网络训练组合起来，适合“方程已知一部分、传感器只能看到一部分”的系统辨识任务。它对物理建模、数字孪生一类问题有现实吸引力，但适用边界也较明确：方法依赖可用的已知动力学结构，并需要平滑轨迹能够为参数学习提供足够可靠的监督。仅凭摘要还无法判断其计算成本、对噪声和初始化的敏感性，以及相对其他混合建模方法的优势幅度；论文所称的改进也缺少具体数值，因此现阶段更适合视为一种结构清晰的训练方案，而不是已经得到充分验证的通用解法。