在人工智能领域，可解释性方法旨在揭示系统行为背后的因果关系，而不仅仅是输入与输出之间的相关性。然而，在包含反馈回路和部分可观测性的大规模混合网络物理系统中，重建明确的有向因果结构往往是不切实际的。针对这一挑战，来自研究团队（Spyridon Evangelatos等五位作者）在2026年7月提交的一篇论文中，提出了一种受统计力学启发的新框架。该框架创新性地使用无向的基于能量的表示来建模变量之间的依赖关系，从而绕过了有向因果图重建的难题。
这种方法通过分析能量景观的变化来反映各个组件的贡献，实现了严格的依赖感知归因。它还能推理混合交互中的扰动效应，为异常行为提供可靠解释。研究团队在工业物联网测试台上进行了模拟实验，该测试台包含混合连续和离散变量。结果表明，该框架在归因准确性、鲁棒性和可扩展性方面均优于当前最先进的基于图的方法。例如，在准确性上提升了约15%，在鲁棒性上对噪声的容忍度更高，在可扩展性上能够处理更大规模的系统。
尽管这种归因方法并非旨在完全重建系统的生成动态，但它提供了有价值的、依赖感知的解释，既支持人工理解，也适用于下游预测和诊断任务。虽然该框架是在工业物联网安全领域演示的，但它同样适用于其他需要原则性结构解释的高维网络物理系统和社会技术系统，如智能电网、自动驾驶和社交网络分析。该研究为因果可解释性开辟了新途径，尤其适用于复杂动态环境中。