收录解读
如何在超大规模复杂系统中同时获得可解释性与长期预测能力，是复杂系统建模里长期没有被真正解决的问题。传统 equation discovery 方法有解释性，但在规模上很快失效；纯神经网络虽然能扩展到大系统，却通常是黑箱，而且在长时预测和缺失数据条件下可靠性不足。这篇工作正面处理的，就是把 governing-equation inference 从小系统推向超大规模网络系统。
论文提出 Sparse Identification Graph Neural Network（SIGN），核心思路是把符号发现问题下沉到 edge-level information，从而把稀疏识别的计算复杂度与网络规模解耦。这样一来，方程发现不再依赖对整个系统做整体符号搜索，而是可以在图结构上分布式地恢复 governing equations。作者展示了该框架在噪声、稀疏采样和缺失数据下的稳健性，并在混沌振子、神经动力学、流行病传播以及近 7.2 万海表温度位置的真实数据上给出长期预测结果。
这篇工作的价值不只是 complex systems 里的又一个预测器，而是把可解释 equation discovery、图建模与大规模科学预测真正接到了一起。对仓库关注的 AI x scientific computing、physics-inspired modeling、可解释科学建模与研究工作流而言，它提供了一条很耐久的方法路线：不是在黑箱模型上再做解释，而是直接在可扩展条件下恢复 governing equations 本身。
当前证据仍主要来自 arXiv 阶段，影响范围也更集中在复杂系统、科学计算和方程发现这条主线上。虽然问题很大、方法也足够强，但它尚未形成更广泛的跨领域默认蓝图，因此现在给 breakthrough 是合适的；要进一步上调，还需要更多独立复现、后续采用和跨领域外溢证据。