機器嗅覺的目標是從傳感器響應中推斷氣體成分，這是一個高度欠約束的逆問題。傳感器信號受化學傳輸、表面吸附和傳感器轉換等多物理過程影響，導致響應低維、延遲且糾纏。傳統神經網絡往往被訓練來擬合傳感器跡線，而非推斷物理封閉的嗅覺過程，這種“物理封閉性錯配”是主要障礙。
針對此問題，來自研究團隊的最新工作將氣體分解形式化為多物理場約束的逆問題，控制方程包括麥克斯韋-斯蒂芬多組分傳輸偏微分方程（PDE）、競爭吸附常微分方程（ODE）和非線性傳感器轉換ODE。直接求解高維耦合系統計算成本高且數值不穩定，為此他們提出了UnMixNet——一個物理封閉的圖神經網絡求解器。
UnMixNet的核心創新在於將麥克斯韋-斯蒂芬交叉擴散離散化到空間圖上，並在每條邊上制定多組分通量。這使得模型能夠進行局部、可微且通量守恆的推理，有效處理多組分交叉擴散。在SmellNet數據集上的評估顯示，UnMixNet在單氣味識別、已知混合物分解以及未見混合物泛化方面均優於現有方法。
進一步的外部驗證在UCI動態氣體混合物數據集上進行：模型推斷的濃度過程與動態變化下的地面實況濃度設定點高度一致。過程一致性診斷表明，UnMixNet學習到了可轉移的動態物理指紋，更好地滿足了傳輸、守恆、吸附和讀出封閉性。這項工作為機器嗅覺提供了堅實的物理基礎，有望推動電子鼻在實際環境中的應用。