在科學計算與機器學習交叉領域，用神經網絡求解偏微分方程（PDE）已經成為重要的研究方向。然而，面對較寬的物理參數範圍時，純數據驅動的參數化模型通常需要極其充分的輸入函數與參數採樣，訓練成本高，且一旦輸入落在訓練分佈之外，模型可能“悄然失敗”——給出錯誤結果卻不給出任何警告。針對這一問題，一篇提交至 arXiv 的新論文提出“方程重構”（Equation Recast）方法，試圖把參數化PDE的算子學習轉化為學習一個統一的規範算子。
該論文由 Qiyun Cheng 與另外 9 位作者共同完成，於 2026 年 9 月 2 日提交，編號為 arXiv:2609.02982，涉及機器學習（cs.LG）、計算物理（physics.comp-ph）和等離子體物理（physics.plasm-ph）等方向。方程重構的核心思想是：參數變化所引起的算子差異不必由數據隱式學習，而可以從控制方程中解析地推導出來，並“吸收”為有效源項。這樣一來，面對新的參數區間，同一個訓練好的規範算子可以直接進行零樣本預測，無需為新參數重新收集數據或重新訓練。
在多參數、非線性以及奇異PDE等測試場景中，論文展示出該框架的多種能力：能夠支持外推預測；能夠以共享的規範表示整合來自不同設置、不同來源的稀疏異構數據；還能把“重鑄迭代是否收斂”作為內部預警信號。當迭代發散或不收斂時，系統即提示用户當前輸入可能超出了重鑄的有效範圍，從而讓模型的可信度和可用性變得可監測。
尤其值得關注的是該框架在核聚變研究中的應用。託卡馬克裝置的高保真模擬通常成本極高，且不同裝置幾何之間的數據難以直接比較或共用。藉助方程重構，研究團隊將來自四種不同裝置幾何的電子温度數據映射到同一規範域中，由一個聯合訓練的算子進行統一學習。這一結果表明，方程重構為跨裝置、跨參數的知識遷移提供了一條可行路徑，也為構建數據高效、可監控、可複用的神經PDE求解器奠定了基礎。