这篇被 ICML 2026 的 AI4Physics 研讨会接收（非存档）的论文，作者为 Yan Yang，提交于 2026 年 6 月 9 日，全文共 14 页、10 幅图，属于机器学习（cs.LG）方向，并与图样形成与孤子（nlin.PS）以及计算物理（physics.comp-ph）交叉。文章关注的不是如何更快地反演反应—扩散系统，而是以一种极简的“探针式”实验，重新审视物理信息神经网络（PINN）中各组成部分究竟各自承担了什么作用。
在反应—扩散系统的梯度反演中，研究者通常借助代理模型或 PINN，而最直接的路径——直接在 PDE 结构上做反向传播——长期被回避。作者选择走这条直接路径：在完全不使用代理模型、也不引入神经网络增强的情况下，将稳态损失通过展开的 Gray-Scott 模拟进行反向传播，以恢复系统参数。实验结果是优化无法收敛，而直接绘制损失景观则把失败原因定位于其几何形态之上。
具体而言，该景观呈现出平坦的高原区域，几乎没有梯度信号，并在分岔边界处被陡峭的悬崖所截断。作者指出，这种结构在不同损失函数下反复出现，而且无论梯度以何种方式路由到参数，它都会被继承下来。也就是说，问题并不来自优化器的选择或梯度路径的设计，而来自参数空间本身在物理上“不良”的几何结构。
随后，作者把这个最简设置理解为对 PINN 的一次消融实验，从而厘清各个组件的作用。固定神经网络之后，残差损失关于 PDE 参数呈二次形式，得到平滑的景观，因此仅凭残差损失本身就已经避开了上述病态，原因在于它隐式地在所有初始条件上编码了完整的 PDE 动力学。换言之，真正提供物理约束与良好可优化性的，是残差项而非网络本身。
另一方面，神经网络无法修复一个本身不良的参数子空间，它的作用仅在于补全观测数据。作者强调，这种“残差项负责物理、神经网络负责数据”的分工此前并未被明确表述过。
这些结论对 PINN 类方法具有具体的设计启示：当参数子空间本身病态时，增加网络容量并不能解决问题；而在更一般的层面上，文章也给出了一条启发式判据，用以判断在何种情形下增加维度才真正有益。对于从事逆问题、物理仿真与科学机器学习的研究者而言，这项工作提供了关于损失景观几何与组件分工的诊断性视角。