从稀疏且含噪的化学时间序列数据中提取可解释的控制方程一直是一项难题，其核心困难在于离散的反应拓扑结构与连续的动力学参数之间高度耦合：反应网络中哪些物种之间存在反应通道属于离散选择，而速率常数等参数则是连续变量，二者必须同时推断，任一方面的误差都会影响另一方面的估计。针对这一问题，Liu、Zihao Wang 等三位作者在 2026 年 6 月 22 日提交至 arXiv 的论文（编号 2606.23757，属 cs.LG 与 cs.AI 交叉领域）中提出了名为 PC-MCMC-CIGP 的可复现灰盒工作流。
该方法并非在孤立意义上发明了新的 MCMC 或高斯过程族，其方法学贡献在于把若干组件整合为一个受物理约束的完整流程，并在其中显式引入不确定性感知的采集决策。具体而言，该流程包含三个关键部分：一是采用 spike-and-slab 先验的拓扑采样，用于在候选反应通道中实现稀疏选择；二是施加守恒律与热力学方面的硬性筛选，将物理上不可行的候选机制直接排除；三是引入化学信息引导的高斯过程（CIGP）残差模型，用于参数校准与实验设计。
作者在两个基准体系上验证了该框架。在 H2 + Br2（氢与溴）反应基准上，受约束的采样器在其实验中能够区分真实的基元自由基反应路径与具有迷惑性的现象学拟合结果，说明物理约束有助于避免从数据中归纳出看似吻合却机理错误的模型。在苯乙烯环氧化体系中，CIGP 优化循环相较文献报告的 GP-BO 基线将最终收率提升了 12.5%。
论文还报告了一项新的十随机种子采集策略研究，比较了 EI、GWU、PC-EI、不确定性采样、差异搜寻（discrepancy hunting）与随机搜索等不同采集准则。结果显示这些策略各有权衡：PC-EI 能显著减少贝叶斯优化给出的低产率建议，而 EI 类准则在最终产率表现上最强。该工作强调可复现性，正文以英文撰写，提交时包含 PDF、实验性 HTML 及 TeX 源文件，论文全长信息显示为 2,254 KB。