近日，南方科技大学数学系、深圳国际数学中心教授吴开亮团队在《自然—通讯》发表最新研究。针对科学与工程计算中长期存在的“模型与现实之间的差距。该研究基于算子分裂原理提出了一种通用的交替神经积分框架（Alternating Neural Integrators，ANI）。

该框架在完全保留既有科学模拟器核心机理的基础上，引入神经网络学习并补偿未解析或建模不准确的动力学成分，为庞大且成熟的科学计算基础设施智能升级开辟了兼具理论依据与工程实用性的新路径。

研究示意图。南方科技大学供图

在气候预测、湍流模拟、航空航天及动力工程等前沿领域，科学计算严重依赖既有的数学物理模型与经典数值求解器。然而，受限于网格分辨率不足、未知物理耦合缺失以及人为机理简化等因素，数值模拟结果在长时间推进过程中极易积累偏差，逐渐偏离真实动力学演化。

面对这一挑战，重新从底层开发高保真机理求解器往往面临极高的理论与工程成本；而完全依赖纯数据驱动的“黑箱”人工智能替代传统模型，又往往忽视了领域内沉淀数十年的先验物理规律与守恒性，易遭遇泛化性差、可解释性弱和长程预测崩溃等瓶颈。因此，如何在不改动成熟工业级代码的前提下，实现机理与数据的有机融合，是当前科学智能领域的关键难题。

针对这一问题，吴开亮团队提出的交替神经积分框架，立足于经典的算子分裂理论，将已有模拟器视为可直接调用的“黑箱先验步”，同时引入紧凑的神经网络修正模块，用于捕捉先验动力学与真实目标动力学之间的系统性结构偏差。

团队在10个具有代表性的常微分方程与偏微分方程基准测试，以及 2 类真实物理工程实测数据集上全面评估了 ANI 的性能。结果表明，ANI 能显著抑制误差增长，大幅提升长期动态演化的精度、数值稳定性与关键动力学特征的保真度。

他们还进一步利用符号蒸馏技术，将神经网络学习到的修正项逆向解析为紧凑、可读的解析数学表达式。在混沌系统测试中，符号回归成功提炼出了系统中主要的缺失耦合项。构建了“识别模型缺陷—神经学习补偿—符号提炼假设—机理闭环修正”的科学研究新闭环，也为数据驱动的机理发现与科学假说生成提供了重要工具支持。

该成果不仅为计算流体力学、气候动力学、复杂系统工程等领域的模型智能升级提供了普适的计算框架，也为高保真、可信赖的 AI for Science 研究提供了新思路。

相关论文信息：https://doi.org/10.1038/s41467-026-74002-2