机理求解器内嵌小型网络
这篇论文没有用黑箱取代传递模型。它保留了群体平衡方程（PBE）——一个描述各尺寸与形状晶体数量随时间变化的偏微分方程——也保留了描述液相溶质质量平衡的方程。模型之间切换的只有对流项，即晶体生长或溶解的速率：要么用已发表的半经验规律，要么用神经网络表示。由于网络位于控制方程内部，模型的守恒结构得以保留。
求解器在尺寸坐标上采用二维有限体积离散，时间推进采用带CFL条件的前向欧拉法，基于JAX构建并在GPU上运行。它的关键特性是端到端可微分：自动微分把轨迹均方误差损失产生的梯度，经求解器反向传播到被设为自由变量的任意输入。自由变量随任务而变。建模时它们是速率规律参数加上初始晶种分布和初始浓度；过程优化时它们是温度曲线，也可同时包含初始条件。
这一点之所以重要，是因为梯度的计算成本实际上与参数数量无关。作者报告，约4.7×10^5个参数（主要由11个360×120的粒度与形状分布构成）上跑500个优化轮次需5至6分钟。作为对照，使用数值梯度的MATLAB基准模型拟合一个两参数模型需要15分钟以上，时间超过前者两倍多，而优化的参数却少了五个数量级。
初始条件取精确值会扭曲规律
实验是水中L-谷氨酸的温度驱动间歇溶解，由在线仪器监测，该仪器以两个特征长度——长度L1和宽度L2——表征晶体。数据集包含13条真实轨迹，温度曲线和初始条件各不相同。在这类动力系统中，轨迹对起点很敏感，而实测晶种分布和浓度带有仪器噪声与设备固有限制。
当作者把这些实测初始条件当作真值、只让网络拟合速率规律时，预测精度提高了，但学到的动力学在物理上不自洽：学到的过饱和度依赖在平衡点（过饱和度S等于1）处没有趋于零，还出现了人为的温度依赖。论文的解释是，一个灵活的网络耦合到对初始状态敏感的求解器后，无法区分数据误差与真实动力学，于是把两者一起拟合了。
这种失败之所以能被看见，是因为学到的部分只是嵌入机理模型中的一个小型、可检查的函数。若用黑箱模型描述整个系统，同样的不自洽会被掩盖，仅凭预测性能评估也不会发现它。
同化初始条件后规律恢复自洽
解决办法是把初始条件设为自由变量，与速率规律联合优化。恢复出的动力学随后符合物理要求：S依赖在S=1处趋近于零，温度依赖变得可忽略，与已发表的半经验基准一致。学到的函数与基准处于同一数量级，同时呈现出线性半经验模型无法描述的非线性S响应。
校准后的初始条件只发生了很小的移动。在偏移最大的验证实验E7中，平均长度和宽度分别变化24.1 µm（4.6%）和1.4 µm（2.0%），浓度的变化更小。同化只调整晶种分布的形状，不调整其质量，因为模拟过程中分布会被重新归一化到实测晶种质量。
这些微小移动带来了大部分预测增益。原始验证实验上的轨迹损失降到0.176，相对传统建模改善七倍。仅用已发表的半经验规律配合同化后的初始条件，损失为0.195，因此大部分改善来自修正初始条件，而非神经速率规律本身。作者还指出，非线性出现在过饱和度采样密集的区域，说明它存在于数据中，而不是网络强加的；20次随机初始化得到的集成分布在密集区较窄，在稀疏区较宽。
梯度让300变量曲线可优化
优化任务把操作条件参数化为300个温度，自由度远超有限差分或不可微流程实际能处理的范围。对300个温度做前向差分梯度需要301次前向求解，按参考求解器的仿真时间约每次迭代4分钟，完整优化要一天以上。借助自动微分，对整个温度曲线求梯度约需0.75秒。
作者先在合成目标上验证轨迹恢复：目标由阶梯斜坡和S形曲线生成，初始条件取自E5，在一系列初始猜测下都能可靠恢复原始操作条件。随后他们以留出的实验E5为目标。初始条件固定为实测值时，优化出的曲线偏离实验曲线（平均绝对误差0.11 °C），长度和宽度轨迹也没能准确捕捉，这与训练中出现的失败模式相同。放开初始条件后，恢复出的曲线与实验高度吻合（平均绝对误差0.06 °C），目标轨迹也得到匹配，整个过程不到5分钟。曲线在饱和温度以下不吻合，因为这里使用的混合模型没有生长项。
模拟设计使长宽比降低25%
第二个优化针对产品规格而非已知答案。作者使用生长与溶解均依赖尺寸的组合模型，最小化最终长宽比（平均长度L1除以平均宽度L2），约束是产品体积不低于晶种体积，从而不损失物料。他们从E5的初始条件和一条先溶解后生长的线性斜坡出发。
优化后的曲线把长宽比从6.50降到4.88，从晶种到产品降低25%；初始猜测给出的是6.05。曲线保持单一循环：先在恒定过饱和度下溶解，产品体积降到约35%，随后进入生长区，体积恢复到100%，全程处于过饱和度限值内并满足体积约束。作者给出的机制是：长度生长按L1的1.2次方缩放，而宽度生长与尺寸无关，因此先溶解群体可以相对宽度生长削弱后续长度生长，在体积恢复过程中把质量重新分配到宽度上。
这一结果纯粹是模型生成的假设。作者明确说实验验证超出本文范围，因此25%应理解为模拟设计目标，而非实测结果。
单一物料体系与十三次实验
演示覆盖单一物料体系和13次实验，学到的速率规律与尺寸无关。长宽比优化依赖已发表的尺寸相关生长与溶解动力学，而不是学到的混合规律，因为调控长宽比需要生长和溶解两者，而训练出的混合模型只包含与尺寸无关的溶解。轨迹恢复任务同样因此无法在饱和温度以下匹配实验曲线。
在这些边界内，作者认为与半经验建模相比没有额外的数据需求，网络仍然很小、易于训练，所有任务的计算成本都只是传统方法的一小部分。他们把该框架定位为对机理建模的补充而非替代，并认为原则上可扩展到尺寸相关动力学、其他PBE机制（如成核、破碎和团聚）以及其他传递方程。
关键在于区分数据误差与模型误差
论文最重要的主张不是神经网络能拟合结晶轨迹，而是预测性能提升不足以证明得到了可迁移的物理规律。在这个系统中，假设初始条件精确、拟合更好的版本学到的动力学违反了平衡条件，还凭空造出了温度依赖；而仅就速率规律拟合略差、但同化了初始条件的版本，恢复了与物理一致的规律，并把轨迹误差降低七倍。
因此，对评估类似混合或机器学习传递模型的读者来说，实际的分界在于流程是否把实测初始条件视为固定值。论文表明，前一种做法可能把数据问题藏进看似合理的速率规律里，而后一种做法一旦梯度能穿过求解器，在计算上是可行的。300变量优化结果来自同一种能力，但长宽比设计仍是等待实验检验的模拟，而初始条件诊断有13条真实轨迹支撑。
本文引用的文献
Differentiable Hybrid Modelling for Learning and Optimising Chemical Transport Processes from Experimental Data
将神经网络嵌入可微分的GPU加速PBE求解器并同化实测初始条件，恢复出物理上一致的非线性溶解规律，使轨迹误差降低七倍；同一框架优化出300变量温度曲线，在恒定质量下使模拟晶体长宽比降低25%。