Julia SciML实战：用通用微分方程（UDE）结合神经网络学习流行病学未知参数

本文介绍基于Julia SciML生态的开源项目，通过通用微分方程（UDE）将SIRHD流行病学模型与神经网络结合，估计六个未知传播速率参数，并比较ReLU、Tanh、Sigmoid三种激活函数的表现。项目原作者为digvijay1992，发布于2026年5月29日GitHub，许可证MIT。

UDE是科学计算与机器学习交叉领域的混合建模方法，将已知物理规律（如SIRHD微分方程结构）与数据驱动的神经网络结合。其优势包括：保持物理可解释性、减少数据需求、更好的泛化能力、直接估计未知参数。传统SIR模型假设参数恒定，而UDE用神经网络动态估计参数，适应现实中参数变化。

SIRHD模型追踪易感者(S)、感染者(I)、康复者(R)、住院者(H)、死亡者(D)五个群体。微分方程组描述群体动态。UDE中，六个速率参数（τSI、τIR、τID、τIH、τHR、τHD）由独立神经网络估计，每个网络为两层结构（输入→10神经元隐藏层→输出）。对比三种激活函数：

• ReLU：计算简单，收敛快，但负区间梯度为零
• Tanh：输出范围(-1,1)，适合捕捉正负变化
• Sigmoid：输出(0,1)，适合比例参数，但易梯度消失。

项目利用Julia SciML生态系统，核心库包括：

• DifferentialEquations.jl：高性能微分方程求解器
• DiffEqFlux.jl：桥接微分方程与Flux神经网络
• Lux.jl：支持自动微分和GPU加速的神经网络框架
• Optimization.jl：统一优化接口
• ComponentArrays.jl：高效处理结构化参数 Julia的自动微分机制（Zygote.jl）支持端到端训练。

训练步骤：

1. 数据生成：用已知真实参数运行SIRHD模型25天，生成感染者和康复者时间序列
2. 模型训练：用三种激活函数训练UDE，最小化预测与真实数据差异
3. 性能对比：记录收敛速度、最终误差、计算时间
4. 可视化：对比预测曲线与真实数据 训练采用伴随灵敏度方法高效计算梯度，支持InterpolatingAdjoint和ReverseDiffVJP等伴随方法。

UDE方法的应用场景包括：

• 流行病学：捕捉COVID-19等疫情传播率动态变化，辅助政策制定
• 工业系统：化工过程、能源系统建模，结合物理定律与数据修正
• 金融建模：资产价格动态的已知结构与神经网络模式结合
• 可解释性AI：保留物理可解释性，适用于医疗、金融等高风险领域。

项目展示科学机器学习核心理念：用神经网络增强物理模型，而非替代。UDE在保持可解释性同时提升表达能力。对Julia用户是入门范例，对ML从业者提供领域知识融入模型的思路。激活函数选择有影响，但混合建模思维更关键——结合人类知识与ML能力是解决复杂科学问题的有效路径。