关于神经网络黑盒的显化（解析化）

对于科研工作者而言，虽然神经网络，在参数不是很多（比如三个）的情况下，我们能否通过大致了解解析式形式（类似于通解）的方式，确定解析式更明确的形式？

顶级科学家可以从大量数据的特征中找到其简单的规律，这种规律通常用一个（组）方程进行描述。那AI能否在学习大量数据的时候也引入一种解析化的倾向（机制），并在学习新领域的新数据时，找到与原解析式适用场景的相似模式，将适用范围外推，从而找到新场景中规律的解析表达，并尝试进行验证，这种思考方式（迁移学习）就更像人类的科学探索与研究了。之所以解析化，还是为了简化对规律的认识，便于进行更为本质而深刻的思考，也更容易将这种认识普遍化，从整体的角度看，可以提高认识自然的效率。