本文回顾了可解释的机器学习在自然科学中的应用，强调透明度和可解释性的重要性。探讨了机器学习在地球科学、物理科学和生物科学中的挑战与机遇，并提出结合领域知识的研究方向，以提高科学建模的可信度和可重复性。

该文综述神经微分方程与机制性神经网络在科学建模中的应用，涵盖混合效应模型、因果推断、参数估计与不确定性量化，用于疾病预测、碳通量配分等动态系统分析，提升可解释性与预测精度。

该文综述深度学习在科学与工程建模中的应用，涵盖纳米孔离子运输、电极生产参数优化、生化系统动力学预测、电导率测量加速、生物医学实验调度、数据稀缺应对、搅拌沉积温度分布预测、液态金属喷射成型质量预测、半导体叠加误差影响预测，以及保证代数约束准确性的解耦系统方程学习方法。