可微分混合建模框架：从实验数据学习并优化化学传输过程
arXiv论文提出将JAX有限体积求解器与可学习神经网络结合，用于发现本构定律并拟合初始条件，适用于涉及质量、能量和动量传输的化学分离过程。
AI解读：传统化学工程传输模型依赖人工挑选的本构定律，并假定初始条件精确已知，这些限制在实际中常导致预测偏差和系统误差。黑箱神经网络代理虽能贴合数据，但缺乏物理一致性，且仅适用于训练任务。该框架通过将JAX有限体积求解器与可学习神经网络组件集成，既能从实验数据中自动发现本构定律，又能拟合未知初始条件，从而更准确地建模真实传输系统。此外，其可微性支持对实验参数进行定向优化，为涉及质量、能量和动量传输的化学分离过程提供了一种新的建模与优化途径。研究者可借此减少对手工定律的依赖，提高模型的物理可信度，但框架目前仅针对总体平衡方程，其通用性和实际效果有待进一步验证。
9 月 3 日提交至arXiv的一篇论文（编号 2609.04011）提出一种通用可微分混合建模框架，用于传输过程的学习与优化。该框架将JAX有限体积总体平衡求解器与可学习神经网络组件结合，使模型能够从真实实验数据中发现本构定律并拟合初始条件。
论文指出，传统传输模型常依赖手工选择的本构定律并假定初始条件精确已知，这两项限制在预测和控制场景中可能导致系统误差；而黑箱神经网络代理虽能更好匹配数据，但局限于训练任务且无法检查物理一致性。
论文来源与作者
该论文标题为“Differentiable Hybrid Modelling for Learning and Optimising Chemical Transport Processes from Experimental Data”，作者包括Arthur Jessop、Mohammed Alsubeihi、Ben Moseley和Ashwin Kumar Rajagopalan。论文由arXiv于 2026 年 9 月 3 日以v1版本提交，属于交叉提交，涉及计算工程、金融与科学（cs.CE）、机器学习（cs.LG）以及数值分析（math.NA）领域。
论文依据来源为arXiv摘要，尚未经过同行评审。摘要中未提供具体的实验案例、性能指标或应用示例。