Neural（神经网络相关研究）泛指以人工神经网络为核心模型的一类机器学习方法与理论体系，涵盖网络架构、训练动力学、可解释性及在科学与工程中的求解应用。近期的 arXiv 研究显示，该领域正从单纯的模型堆叠转向对“为什么有效”的理论解释，以及在偏微分方程求解、归因分析等垂直场景的深化落地。
Neural 研究近期进展
当前焦点与观察点
从上述工作看，Neural 领域呈现三条主线：其一，可解释性从定性讨论走向量化工具，例如 Ra-NEM 以插入/删除曲线下面积为目标优化特征归因忠实性，把归因质量变成可优化的指标；其二，理论与工程互相印证，LoRA 低秩有效性的理论化说明可能反过来指导微调策略设计；其三，神经求解器与数值方法的混合路线（如 FDM 谱引导、Petri 网语义建模的 Neural Petri Flow）显示出“结构先验 + 神经网络”的融合趋势。
值得关注的问题是：这些理论框架能否在更大规模模型上保持一致结论，以及神经 PDE 求解器相对传统数值方法的精度与效率优势能否在工业场景中稳定复现。此外，HiRefPOU 用分区混合专家网络改进 PDE 算子学习等工作表明，架构创新仍在为算子学习提供增量收益，但统一评测基准的缺失仍是该方向公认短板。