在科学计算与机器学习交叉领域，用神经网络求解偏微分方程（PDE）已经成为重要的研究方向。然而，面对较宽的物理参数范围时，纯数据驱动的参数化模型通常需要极其充分的输入函数与参数采样，训练成本高，且一旦输入落在训练分布之外，模型可能“悄然失败”——给出错误结果却不给出任何警告。针对这一问题，一篇提交至 arXiv 的新论文提出“方程重构”（Equation Recast）方法，试图把参数化PDE的算子学习转化为学习一个统一的规范算子。
该论文由 Qiyun Cheng 与另外 9 位作者共同完成，于 2026 年 9 月 2 日提交，编号为 arXiv:2609.02982，涉及机器学习（cs.LG）、计算物理（physics.comp-ph）和等离子体物理（physics.plasm-ph）等方向。方程重构的核心思想是：参数变化所引起的算子差异不必由数据隐式学习，而可以从控制方程中解析地推导出来，并“吸收”为有效源项。这样一来，面对新的参数区间，同一个训练好的规范算子可以直接进行零样本预测，无需为新参数重新收集数据或重新训练。
在多参数、非线性以及奇异PDE等测试场景中，论文展示出该框架的多种能力：能够支持外推预测；能够以共享的规范表示整合来自不同设置、不同来源的稀疏异构数据；还能把“重铸迭代是否收敛”作为内部预警信号。当迭代发散或不收敛时，系统即提示用户当前输入可能超出了重铸的有效范围，从而让模型的可信度和可用性变得可监测。
尤其值得关注的是该框架在核聚变研究中的应用。托卡马克装置的高保真模拟通常成本极高，且不同装置几何之间的数据难以直接比较或共用。借助方程重构，研究团队将来自四种不同装置几何的电子温度数据映射到同一规范域中，由一个联合训练的算子进行统一学习。这一结果表明，方程重构为跨装置、跨参数的知识迁移提供了一条可行路径，也为构建数据高效、可监控、可复用的神经PDE求解器奠定了基础。