在人工智能領域，可解釋性方法旨在揭示系統行為背後的因果關係，而不僅僅是輸入與輸出之間的相關性。然而，在包含反饋迴路和部分可觀測性的大規模混合網絡物理系統中，重建明確的有向因果結構往往是不切實際的。針對這一挑戰，來自研究團隊（Spyridon Evangelatos等五位作者）在2026年7月提交的一篇論文中，提出了一種受統計力學啓發的新框架。該框架創新性地使用無向的基於能量的表示來建模變量之間的依賴關係，從而繞過了有向因果圖重建的難題。
這種方法通過分析能量景觀的變化來反映各個組件的貢獻，實現了嚴格的依賴感知歸因。它還能推理混合交互中的擾動效應，為異常行為提供可靠解釋。研究團隊在工業物聯網測試台上進行了模擬實驗，該測試台包含混合連續和離散變量。結果表明，該框架在歸因準確性、魯棒性和可擴展性方面均優於當前最先進的基於圖的方法。例如，在準確性上提升了約15%，在魯棒性上對噪聲的容忍度更高，在可擴展性上能夠處理更大規模的系統。
儘管這種歸因方法並非旨在完全重建系統的生成動態，但它提供了有價值的、依賴感知的解釋，既支持人工理解，也適用於下游預測和診斷任務。雖然該框架是在工業物聯網安全領域演示的，但它同樣適用於其他需要原則性結構解釋的高維網絡物理系統和社會技術系統，如智能電網、自動駕駛和社交網絡分析。該研究為因果可解釋性開闢了新途徑，尤其適用於複雜動態環境中。