偏理论又用神经网络的方向，适合谁

消息提到，Anima Anandkumar 与同事用物理信息神经网络，在无外部 forcing 或边界条件下，为 3D Euler 方程找到了一个奇点候选。注意措辞：这是候选，不是证明；若证明成功，才会解决理想流体的一个重大开放问题，而带粘性的 Navier–Stokes 千禧年问题仍是另一项挑战。

这类方向对求职者的要求，通常不是"会用某个框架"，而是三件事叠加：数学分析基础、数值方法训练、能把想法写成可跑代码。更关键的是心理预期——结果高度不确定，可能长期没有确定结论。如果你更希望几个月看到产品落地，这个方向大概率会让你难受；如果你能接受"先做出候选、再花几年验证"，它才值得认真考虑。

申请前该向导师和在读学生核查什么

不要只问"方向热不热"。可以具体问：组里偏理论还是偏工程；学生日常是推公式、做数值实验，还是维护代码；一篇论文的典型产出周期；近几届毕业生的去向；导师对负结果和长期未果的容忍度。

同样重要的是问清课题边界。以这条动态为例，候选是否已被证明、方法能否推广到其他方程，都还是未知。你可以直接问：如果候选最终被证伪，这个课题还剩下什么可做？这个问题比"有没有前途"更能暴露课题组的真实状态。

数学基础不够，相邻方向怎么切入

PINN 在这里是工具，数学问题是目标，这本身就说明存在分工：有人做理论证明，有人做数值方法与工具实现。如果你数学分析基础暂时不够，可以先走科学计算软件工程、数值方法实现、AI for Science 的工程支持等偏落地岗位，积累代码与数值实验经验，再决定是否转向纯理论。

判断方法很简单：找一篇目标方向的论文，试着复现其中一个小实验，记录你卡在哪一步——是看不懂推导，还是写不出代码，还是两者都有。这个记录比任何自我感觉都可靠。

一个实际可做的小建议：给目标导师或在读学生写邮件时，附上你对"候选与证明之间差什么"的理解，并问一个具体问题，而不是只表达兴趣。