宾夕法尼亚大学工程学院的研究团队开发了一种名为"平滑层”（Mollifier Layers）的新方法，利用人工智能高效解决一类极具挑战性的数学难题——反偏微分方程（Inverse PDEs）。该成果由资深作者 Vivek Shenoy 教授和联合第一作者 Vinayak Vinayak 等人在《机器学习研究交易》期刊发表，并将亮相 2026 年神经信息处理系统大会。反偏微分方程的核心在于从可观测的现象中逆向推导导致该现象的隐藏机制，如同通过水面的涟漪推测石子落下的位置。传统 AI 方法常依赖增加算力，但在处理高阶且含噪数据时，反复计算导数的递归自动微分法极易导致结果不稳定且效率低下。针对这一瓶颈，研究团队创造性地引入了数学家 Friedrichs 提出的“平滑”概念。他们设计的平滑层能在测量变化前先对信号进行降噪和抚平处理，从而规避了传统算法的缺陷。这一突破不仅大幅降低了计算成本，还显著提升了反推结果的可靠性。目前，该方法的首要应用是解析细胞核内染色质的组织规律。染色质结构直接影响基因表达，进而决定细胞功能、衰老及疾病进程。通过精准推断驱动染色质变化的表观遗传反应速率，研究人员有望从单纯观察结构转向模拟动态过程，为癌症治疗或延缓衰老提供新靶点。此外，该框架在材料科学、流体力学等多个涉及复杂方程和噪声数据的领域同样具有广泛应用前景。Shenoy 教授指出，理解系统背后的生成规则，将使人类具备主动调控自然过程的能力。