Nonlinear（非线性）指系统的输出与输入之间不成正比的数学特性，是深度学习的核心基础——神经网络正是依靠大量非线性激活函数才能拟合复杂模式。近期围绕 Nonlinear 的研究热度集中在三个方向：模型架构中非线性算子的设计、非线性动力系统的建模，以及非线性因果发现的规模化，相关论文主要来自 Google DeepMind 等机构在 arXiv 上的发布。
Nonlinear 近期研究进展
当前焦点与观察点
从近期论文分布看，围绕 Nonlinear 的讨论正在从“如何增加非线性”转向“如何更聪明地使用非线性”。一方面，TANGO 等工作尝试在门控机制层面重新设计非线性算子；另一方面，多篇论文（如显式交互架构、结合已知物理先验的 PDE 模型）提示：在结构信息和物理约束可得的场景下，过度依赖通用非线性拟合未必是最优解。
第二个观察点是科学计算领域的融合加速。学习 Lyapunov 算子、非线性模型预测控制的可认证神经近似、非自治非线性动力系统的降阶建模等工作，共同指向一个趋势：非线性系统的神经网络近似正在从“能拟合”走向“有保证”。这类带稳定性或鲁棒性证明的方法，可能决定深度学习能否真正进入控制与工程等高可靠性场景。
第三，非线性因果发现的可扩展化值得持续关注。因果推断传统上依赖线性假设以保证计算可行性，若非线性方法在规模上持续突破，可能改变生物、经济等复杂系统中因果分析的工具格局。整体而言，Nonlinear 相关研究正处于“架构创新、理论保证、规模化应用”三条线索并行的阶段，后续值得观察这些方向在标准基准之外的真实任务中的落地表现。