Laplacian（拉普拉斯算子）是刻画函数在空间或图上局部变化率的核心数学工具，最初源于物理学中的拉普拉斯方程，如今已从经典微分几何扩展到图论与机器学习领域。在图神经网络中，图拉普拉斯矩阵决定了信息如何在节点间传播，因此围绕 Laplacian 的构造、推广与学习方式，正成为当前谱方法研究的一条主线。
Laplacian 在深度学习中的近期进展
近期研究集中在把传统 Laplacian 从固定结构升级为可学习或可适配的对象。一项工作提出基于可学习 Hodge-Laplacian 的混合专家架构，用于提升稳态偏微分方程（PDE）代理模型的精度，表明将单纯复形上的 Hodge-Laplacian 引入专家混合框架，可以更好地捕捉物理场的高频结构。另一项研究则面向有向图，提出 Path Laplacian Encodings for Directed Graphs，通过路径拉普拉斯编码弥补对称图拉普拉斯无法表达方向信息的缺陷。
在强化学习方向，Wayfarer 论文利用拉普拉斯表示学习自动发现选项（options），在 Atari 高难度游戏中取得突破，说明拉普拉斯特征函数可以作为一种与任务无关的状态表征，帮助智能体识别环境的瓶颈状态并分层规划。相关的基础理论也在跟进：谱初始化与调度图平滑用于不确定知识图谱补全的研究，将谱方法与图平滑调度结合，处理带不确定性的链接预测问题。
当前焦点与观察点
从近期论文看，Laplacian 相关研究的争议点与观察点主要有三个。其一是推广方向：对称图拉普拉斯之外，Hodge-Laplacian、路径拉普拉斯、层（sheaf）拉普拉斯等变体层出不穷，层神经网络在归纳任务上的基准测试正在检验这些更复杂的结构是否带来与计算成本相称的收益。其二是算子学习中的边界处理，在算子学习中施加 Dirichlet 边界条件的研究显示，PDE 求解类模型仍需借助经典拉普拉斯理论来保证物理一致性。其三是理论保证：关于 LLM 图重构失真的谱失真理论给出了紧致界，而物理信息核方法的快速学习率分析则依赖拉普拉斯算子谱性质，表明这一领域正从工程经验走向更严格的理论刻画。总体而言，Laplacian 正从固定的数学对象演变为可学习、可定向、可跨模态的建模组件，其在图学习与科学计算中的理论边界仍在快速拓展。