本研究提出了一种新颖的液体时间常数神经网络（LTC-NN）架构，旨在从现实世界数据中恢复物理驱动模型。该方法有效应对低采样率和扰动时序误差，提高了隐式物理模型系数的恢复精度，并在医学等多个实际案例中展示了其有效性。