本研究提出了一种半隐式神经常微分方程的方法，克服了经典方法的稳定性限制，提升了图学习和科学机器学习的效率与鲁棒性，且在多种应用中优于现有技术。

本研究通过神经常微分方程和通用微分方程分析捕食者-猎物模型的动态互动，发现通用微分方程在基础动态的预测和恢复方面表现更佳，且在高噪声数据中更具鲁棒性，推动了科学机器学习的应用。

本文综述科学机器学习中的算子推断方法：在已知物理规律或专家模型结构下构建动力系统模型，通过优化学习算子，并采用稳定二次模型参数化与微分方程积分形式避免数值导数。该方法用于保持能量与稳定性的降维建模、液态金属喷射成型质量预测、等离子体湍流模拟及控制策略学习，可显著降低计算成本并保持精度。

本研究使用科学机器学习方法学习动力系统，结合了数据驱动模型、基于物理模型的建模和经验知识。研究关注运算推断方法，构建动力学模型并通过优化问题学习模型算子。数值示例展示了该方法在保持稳定性和发现控制方程和保存能量模型方面的应用。

本研究使用科学机器学习方法学习动力系统，结合了数据驱动模型、基于物理模型的建模和经验知识。研究关注运算推断方法，提出了稳定的二次模型的推断形式，并讨论了局部和全局稳定的参数化。利用微分方程的积分形式避免数值导数并实现对连续系统的学习。数值示例展示了该方法在保持稳定性和发现控制方程和保存能量模型方面的应用。

科学机器学习中的上下文操作符学习显示出潜力。研究者提出了一种多模态范式的方法，通过标题集成人类关于操作符的知识，并通过自然语言描述和方程式表达。这种方法扩展了物理驱动学习的灵活性和广泛性，提高了学习性能并减少了数据需求。他们还介绍了一种高效的多模态上下文操作符学习神经网络架构“ICON-LM”，展示了其在科学机器学习任务中的可行性，为语言模型的应用开辟了新的道路。