文章开放访问 出版日期：2026年8月12日 《科学报告》（2026） 引用本文：我们提供了这一手稿的未编辑版本，以便早期获取其发现。在最终出版之前，手稿将 undergo 进一步编辑。请注意，内容中可能存在影响内容的错误，并且所有法律免责声明适用。 摘要 科学建模面临机制理论的可解释性与机器学习的预测能力之间的权衡。虽然现有的混合方法通过将领域知识作为功能约束纳入机器学习方法取得了一定进展，但它们可能受到对精确数学规范的依赖而有所限制。当基础方程式部分未知或参数错误时，强制严苛的约束可能引入偏差并阻碍模型从数据中学习。我们引入了基于模拟的神经网络（SGNNs），这一框架通过将机制模拟用作神经网络的训练数据来结合科学理论。通过在涵盖多种模型结构和实际观测噪声的多样合成语料库上进行预训练，SGNNs将系统的基础动态内化为结构先验。我们在多个学科中评估了SGNNs，包括流行病学、生态学、社会科学和化学。在预测任务中，SGNNs的表现优于标准数据驱动的基线和基于物理约束的混合模型。在COVID-19死亡率预测中，SGNNs的预测技能几乎是平均CDC模型的三倍，并准确预测高维生态系统。SGNNs对模型错误规格表现出鲁棒性，即使在基于不正确假设的数据上训练时也能表现良好。我们的框架还引入了回归模拟归因，这是一种机制可解释性的方法，通过识别在模拟语料库中最相似的对应物来解释现实动态。通过将这些技术统一到一个框架中，我们展示了多样的机制模拟可以作为有效的训练数据，用于强健的科学推断。 资金 本项目得到了与密歇根大学的Insight Net合作协议（5 NU38FT000002-02-00）的支持，该协议来自CDC的预测和疫情分析中心（CDC-RFA-FT-23-0069）。其内容完全由作者承担，不一定代表疾病控制和预防中心的官方观点。 作者信息 作者及隶属机构： 密歇根大学数学系，美国密歇根州安娜阿伯 48109 Carson Dudley 和 Marisa Eisenberg 密歇根大学公共卫生学院，美国密歇根州安娜阿伯 48109 Carson Dudley, Reiden Magdaleno 和 Marisa Eisenberg 密歇根大学物理系，美国密歇根州安娜阿伯 48109 Christopher Harding 密歇根大学复杂系统研究中心，美国密歇根州安娜阿伯 48109 Marisa Eisenberg 作者 Carson Dudley Reiden Magdaleno Christopher Harding Marisa Eisenberg 通讯作者 联系Carson Dudley。 伦理声明 竞争利益 作者声明没有竞争利益。 其他信息 出版者的声明 施普林格自然在出版的地图和机构隶属的管辖权声明方面保持中立。 权利和权限 开放访问 本文根据创意共享署名-非商业性使用-无衍生作品 4.0 国际许可证进行许可，允许非商业用途、共享、分发和以任何媒介或格式再现，只要给予原作者和来源适当的信用，提供创意共享许可证的链接，并指明是否已修改许可材料。根据本许可证，您没有权利来分享根据这篇文章或其部分衍生的修改材料。 本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在材料的信用行中另有说明。如果材料未包含在文章的创意共享许可中，并且您的预期使用不被法定法规允许或超出许可使用范围，您需要直接获得版权持有人的许可。 要查看此许可证的副本，请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。 转载和许可 关于此文章 引用本文：Dudley, C., Magdaleno, R., Harding, C. 等。 在机制模拟上训练神经网络提高科学推断。 Sci Rep (2026)。 https://doi.org/10.1038/s41598-026-64106-6 下载引用 收到：2026年4月14日 接受：2026年7月23日 出版：2026年8月12日 DOI: https://doi.org/10.1038/s41598-026-64106-6