ODEs

ODEs（常微分方程，Ordinary Differential Equations）是描述变量随单一自变量（通常是时间）连续演化的基础数学工具，广泛用于物理建模、控制与动力学系统。近年来，ODEs 在机器学习领域的地位明显上升：一方面以 Neural ODEs 为代表的连续深度模型把网络层视为连续动力系统，另一方面微分方程求解、梯度计算与方程辨识的工程化工具也在快速成熟，使 ODEs 成为大模型与科学计算交叉处的一个活跃方向。

ODEs 近期进展

Neural ODEs与并发学习结合实现稳定在线学习：DeepMind 的工作将并发学习机制引入 Neural ODEs，缓解在线学习中的记忆退化与不稳定问题，让连续时间模型能够在数据流场景下持续更新。

GRADSOLVE: fast exact gradients for ODE ensembles on GPUs：针对 ODE 集合的梯度计算提出了 GPU 上的精确快速求解方案，直指 Neural ODEs 训练中 adjoint 方法慢、直接反向传播贵的两难，属于基础设施层面的改进。

COGENT: Continuous Graph Emulators with Neural Ordinary Differential Equations for Long-Term Physical Forecasting：用 Neural ODE 构建连续图模拟器，面向长时程物理预测，体现了以 ODE 替代离散步进模拟来保证长期稳定性的思路。

LLMODE: Aligning ODEs with LLMs via Gated Token Injection for Irregular Spatio-Temporal Forecasting：通过门控 token 注入把 ODE 动力学模块与大语言模型对齐，用于不规则时空预测，代表了 ODE 与 LLM 融合的新尝试。

ODEs 当前焦点与观察点

当前围绕 ODEs 的研究大致有三条主线。其一是可辨识性与理论保证：Recovering Governing Equations from Solution Data 给出了线性与非线性 ODE 方程辨识的可辨识性界，回应了"从数据反推方程何时可靠"这一根本问题；First-Order Stationarity of Reverse Diffusions 与 When Rates Are Geometric 则把扩散模型和优化中的动力学刻画为一阶微分系统，追求收敛率层面的证明。

其二是与观测方法的结合：RTS Smoother-Guided Learning of Physics-Based Neural Differential Models 用 RTS 平滑器引导物理约束的神经微分模型学习，显示经典滤波估计与深度学习正在深度融合。

其三是效率与规模化，如 GRADSOLVE 所代表的 GPU 梯度求解方向。总体来看，ODEs 相关研究的争议点集中在：连续深度模型的训练成本何时真正可承受、数据驱动方程辨识在噪声下是否稳健，以及与 LLM 的结合是实质性建模还是工程拼接。这些问题的答案将决定 ODEs 方法能否从学术演示走向工业级预测与仿真。

综述

ODEs 近期进展

ODEs 当前焦点与观察点

相关报道