arXiv 于 2026 年 6 月 8 日发布了一篇题为《Mechanical Field Networks: Structured Neural Dynamics for Multivariate Systems》（机械场网络：面向多变量系统的结构化神经动力学）的论文，作者为 Xingji Cui，属于机器学习（cs.LG）领域，编号 arXiv:2606.11251v1，DOI 为 10.48550/arXiv.2606.11251。论文关注一个长期困扰动力学建模的问题：许多多变量动力系统只能通过轨迹被观测，而支配各变量之间联合演化的机制始终隐藏不可见；现有方法要么强行施加可解释的动力学结构，要么学习灵活的状态转移，但由此得到的交互结构往往要么被事先指定，要么隐含在学习到的动力学之中，难以直接读出。
针对这一矛盾，作者提出了 MF-Net，一种循环动力学模型。其核心设计是把所有变量表示在一个共享的“场状态”中，并通过学习到的关系法则来更新该状态。每个变量携带一个场分量，这些分量通过可学习的“机械式”转移共同演化。这里的“机械”并非指经典物理力学，而是指转移过程中“从关系到位移”的组织方式：学习到的关系塑造依赖状态的通量、场响应以及推动场状态向前演化的运动趋势。
这种方法的关键特点是，所得结构并非事后附加的解释层，而是直接嵌入在 rollout（前向推演）过程之中：学习到的关系会影响场如何运动，而同一组内部量同时支撑预测与结构读出。也就是说，模型在预测未来轨迹的同时，能够把学到的关系矩阵作为可检查的交互结构呈现出来。
论文在多个场景中验证了 MF-Net 的表现，包括具有已知作用法则的交互系统、混沌基准、真实神经记录以及生态时间序列。结果显示，MF-Net 在短期和中期预测上取得有竞争力的精度，同时保留了可审视的结构读出能力。在 40 维 Lorenz–96 测试平台上，MF-Net 的八步 R² 达到 0.798±0.018；在五个随机种子上，其学习到的关系矩阵能够恢复局部耦合支撑，局部/非局部强度比为 19.80±1.00，Precision@K 为 1.000±0.000。
作者总结称，MF-Net 提供了一个结构可读的动力学建模范式：学习到的关系通过前向演化过程接受训练，而在真实数据上，这些关系可以在适当的观测限制下被解释为功能性预测耦合。论文为机器学习与复杂系统建模的交叉领域提供了一条兼顾预测性能与可解释结构的路径。截至发布时，该论文以 904 KB 的版本提交，提供 PDF、实验性 HTML 以及 TeX 源码等全文链接，相关引用与代码工具链接也已随页面提供。