从时间序列测量中自动发现控制性微分方程，本质上是一个逆问题，其目标是从观测数据反推系统的动力学规律。然而，这类逆问题通常具有病态性质，导致许多数学形式各异的模型都能以相近的精度拟合同一组数据。这种多解性使得研究者难以判断哪个模型才真正反映了系统的内在机制。
为了解决这一难题，一种思路是在训练前将已知的假设和约束纳入学习过程。尽管约束能有效缩小搜索空间，但往往仍会得到多个候选模型，最终依然依赖领域专家进行繁琐的事后人工筛选。近期，一种基于特征曲线（characteristic curves, CCs）的结构“骨架”方法被提出，形成了假设驱动的建模新范式。在该方法中，实践者首先定义一个骨架，该骨架对应一族常微分方程（ODE），然后基于领域知识添加假设与先验，迭代地精炼所得到的模型。
这种骨架方法的一个重要优势在于，某些骨架具备可证明的结构可辨识性（structural identifiability）。结构可辨识性是一种数学性质，用于判断在理想观测条件下模型的参数是否能被唯一确定。借助这一性质，研究者可以检验所选骨架是否正确，或者应当被舍弃。此外，由于骨架形式具有良好的模块化特性，该框架能够灵活地融入多种方程发现范式，包括神经网络、符号回归和稀疏回归等。
正是在上述背景下，Federico J. Gonzalez 在 arXiv 上发布了名为 PyCC 的 Python 库（arXiv:2606.05191v1）。该库将这些方法论整合为一个灵活的工具，使研究人员和工程师能够便捷地定义自己的骨架与假设，并从随时间变化的数据中发现常微分方程。PyCC 库的软件包已公开，论文提交于2026年5月7日，隶属机器学习（cs.LG）与信号处理（eess.SP）交叉领域。
总体来看，PyCC 试图在数据驱动的方程发现中平衡自动化与领域知识的注入，利用结构可辨识性作为模型验证的数学依据，从而减少对事后人工筛选的依赖。其模块化设计也为未来整合更多学习算法提供了扩展空间。对于从事动力系统建模、系统辨识和科学机器学习的实践者而言，该工具提供了一个值得关注的假设驱动建模新选项。