大侦探游戏：当数学遇见机器学习

想象一下，你正试图破解一个谜团，但你手里只有一半的线索。在科学世界中，这是一个常见的问题。科学家们通常对世界运作方式有一个坚实的理论——一套规则，比如物理学或生物学的定律——他们称之为机理模型（mechanistic model）。把这想象成制作蛋糕的食谱：你知道需要面粉、鸡蛋和糖，也知道基本的混合步骤。但有时，食谱可能缺少了一种关键原料，或者烤箱温度发生了原食谱未曾预料到的奇怪变化。

在房间的另一边，我们有深度学习（Deep Learning，或神经网络）。它们就像超级聪明的侦探，能够瞬间从堆积如山的照片中识别出一只猫，即使它们从未见过那只特定的猫。它们极其擅长发现数据中的模式，但它们往往是“黑盒”。你输入数据，它们给出答案，但它们并不总能解释为什么，或者背后的规则是什么。它们需要海量的数据来学习，如果让你去猜测它们从未见过的场景，它们可能会胡编乱造。

科学家们一直在问一个大问题：我们能否结合两者的优点？我们能否利用我们可靠的、基于规则的食谱，让这些超级聪明的侦探来填补缺失的部分？这正是**混合神经建模（Hybrid Neural Modelling）**领域正在尝试做的事情。它致力于构建一个这样的系统：用硬科学提供骨架，而让 AI 去学习那些我们尚未完全理解的肌肉和神经。这之所以重要，是因为在现实世界中，我们很少拥有完美的数据。无论是追踪病毒、预测天气，还是研究大脑如何放电，我们都需要既能从有限数据中学习，又能基于现实逻辑进行未来预测的模型。

论文：用机器人调配食谱

在他们的论文《混合神经建模：理论与应用》中，Thomas Gaskin、Anastasia Bankowski 和 Stefanie Winkelmann 扮演了这种新型科学的建筑师。他们不仅仅是说“让我们把它们混合起来”；他们建立了一个严谨的数学框架，来解释这种混合在何时、如何发挥作用，以及何时会出错。

“灰盒”的光谱
作者引入了一种有趣的方式，通过“光谱”视角来思考这些模型。想象一个滑动标尺：

• 白盒（White Box）： 一个纯数学模型，其中每一条规则都是已知且写明了的（就像一个完美的、传统的物理方程）。
• 黑盒（Black Box）： 一个纯 AI 模型，计算机完全根据数据猜测规则，没有任何人类输入。
• 灰盒（Grey Box，混合型）： 这是黄金平衡点。这是一个保留了已知规则（白盒），但用神经网络（黑盒）替换了那些令人困惑、未知的部分的模型。

论文指出，虽然有些人认为我们应该抛弃旧规则，让 AI 处理一切，但这并非良策。AI 需要海量数据才能表现良好，而在许多领域（如生物学或社会科学），我们根本没有那么多数据。此外，纯 AI 因为其“黑盒”属性而难以信任。通过保留已知规则，我们保持了模型的可解释性，并使其具备预测未知情况的能力。

“学习缺失部分”的魔力
这篇论文的核心是一种教导 AI 寻找科学食谱中“缺失成分”的方法。

• 设定： 想象一个流行病模型（病毒如何传播）。我们知道基本的数学逻辑：人们生病、康复，或者可能再次感染。但我们不知道他们生病的具体速度，或者这个速度是否会随天气变化。
• 技巧： 作者展示了如何将神经网络植入方程，以猜测这些缺失的速度。网络观察真实数据（例如周二有多少人患病），并不断调整其猜测，直到数学模型的预测结果与真实数据相匹配。
• 结果： 在他们的模拟实验中，他们发现，如果你只是尝试猜测一些简单的数字（如一个恒定的速度），AI 能快速且完美地找到答案。但如果你要求 AI 猜测一个复杂的、变化的速率，且给出的线索不足，它就会感到困惑。它可能会找到一个完美拟合过去数据的解，但在预测未来时却表现得一塌糊涂。

“流形”之谜
论文中最引人入胜的思想之一是关于可识别性（identifiability）。有时，并不存在唯一的正确答案；存在许多种不同缺失部分的组合，它们看起来都一样。作者将其描述为一个“流形（manifold）”——即高维空间中所有正确答案所居住的一个形状。

• 类比： 想象你试图通过触摸阴影来猜测隐藏物体的形状。有时，一个球体和一个平面圆盘从某个角度看，会投射出完全相同的阴影。AI 可能会卡在猜测它是圆盘的结论上，而实际上它是一个球体。
• 解决方案： 论文建议使用一种特殊的 AI 架构（如编码器-解码器）来绘制出这整个可能的“形状”。与其强迫 AI 仅仅选择一个答案，不如让它学习整个可能性景观，从而让我们更好地理解不确定性。

记忆与时间
论文还探讨了记忆的问题。在现实世界中，事物的发展并不只取决于现在正在发生什么，还取决于昨天、上周或上个月发生了什么。

• 实验： 他们用果蝇神经传递（神经细胞如何交流）的模型测试了这一点。他们使用了一种具有“记忆”功能的特殊 AI 类型——循环神经网络（RNN）。
• 发现： 该 AI 成功学习到，神经信号的速度取决于温度变化的历程，而不仅仅取决于当前的温度。这使得该模型比仅观察当下的模型能更好地预测果蝇的未来行为。

现实世界应用（模拟）
作者不仅停留在理论层面，还通过运行模拟来展示其在实践中的应用：

1. 流行病： 他们展示了混合模型可以学习感染率如何随时间变化，但前提是模型不能过于“自由”。如果他们允许 AI 改变方程中的每一个部分，AI 即使能完美记住过去，也会在预测未来时失败。
2. 激光控制： 他们模拟了一个环境不断变化（如空气变热或变冷）的激光系统。一个神经网络充当控制器，不断调整激光设置以保持光束稳定。模拟显示，AI 可以实时适应这些变化，有效地“学习”如何控制一个复杂的物理系统。

论文排除了什么
值得注意的是，这篇论文并没有表达什么观点。它明确反对“我们应该直接用纯 AI 取代所有科学模型”的想法。作者通过模拟证明，如果训练数据有限，一个“黑盒”AI（没有任何规则的 AI）往往无法泛化到新情况。他们还澄清，虽然混合模型很强大，但它们并非魔法；如果问题过于复杂或数据过于匮乏，AI 仍可能陷入“局部极小值”（一个看起来很好但错误的答案），或者无法找到真实的底层物理规律。

总结
Gaskin、Bankowski 和 Winkelmann 为科学建模的未来提供了一份“用户手册”。他们证明，通过将方程中未知的部分视为神经网络可以解决的谜题，我们可以构建出既由数据驱动又具备科学根基的模型。他们指出，成功的关键不在于让 AI 变得更聪明，而在于理解我们试图解决的问题的“形状”。如果我们知道问题存在许多可能的解（流形），那么我们需要的是一个能够绘制出整个形状的 AI，而不仅仅是选择一个点。这种方法为数据稀缺且风险极高的领域提供了一条充满希望的路径，让我们在学习过去的同时，不会脱离统治我们世界的规则。