当一个自然杀伤细胞在人体组织中巡游时，它并不知道自己要去哪里。没有地图，没有导航，只有一套简陋的运动规则：沿当前方向走一段，随机转向，再走一段。然而就是靠着这种看似毫无效率的搜索方式，免疫细胞最终能找到并消灭癌变细胞。这个过程到底需要多长时间？2026年6月发表在arXiv上的一篇论文（2606.13890）给出了漂亮的数学解答。
来自不列颠哥伦比亚大学的Fatemeh Saghafifar和Daniel Coombs把这个问题抽象成了一个经典而优美的数学问题：在一个环形区域内，一个带有方向记忆的随机游走者，需要多久才能到达中心处一个微小的吸收目标？他们用速度跳跃过程建模细胞运动，用冯·米塞斯转向核描述方向持续性，用相移转向核刻画趋化偏置，最终建立了一套从解析解到数值验证的完整框架。
问题的物理图像
想象一个二维环形区域——一个甜甜圈形状的平面。外边界完全反射，就像一面镜子把所有撞上去的粒子弹回来。中心有一个极小的吸收目标，任何到达这个位置的粒子都会被"吸收"掉，不再回来。一个随机游走者从环形区域内的某个位置出发，按照特定的运动规则在区域内游荡。我们要问的是：这个游走者平均需要多长时间才能被中心的目标吸收？
这就是所谓的"平均首达时间"（Mean First Passage Time，MFPT）问题。首达时间问题是随机过程理论中最核心的问题之一，在物理学、化学、生物学和金融学中都有广泛应用。从布朗运动中粒子首次到达边界的时间，到股票价格首次触及止损线的时间，都是同一类数学结构。
但这篇论文处理的不是最简单的布朗运动版本。细胞不是无记忆的粒子——它们有方向持续性。一个正在移动的细胞倾向于继续沿当前方向运动，而不是瞬间随机改变方向。这种方向记忆使得问题的数学结构变得更加复杂，也更加贴近真实的生物学场景。
选择环形几何而非更简单的全平面或矩形域，有其深刻的生物学考量。在组织微环境中，细胞的运动空间往往受到其他细胞、基底膜和细胞外基质的约束，形成近似环形的几何结构。更重要的是，环形几何具有的径向对称性使得角度方向的分析可以利用傅里叶展开，这是后续所有解析工作的基础。
速度跳跃过程：细胞运动的数学描述
论文采用速度跳跃过程（velocity-jump process）来建模细胞运动。这个模型最早由Stroock和Patlak等人在二十世纪七十年代提出，后来在细胞运动和活性物质研究中被广泛使用，成为描述自驱动粒子运动的标准框架之一。
在速度跳跃过程中，细胞以恒定速率v沿某个方向匀速运动，直到发生一次"转向事件"。转向事件以泊松过程发生，即在任意小的时间间隔dt内发生转向的概率为λdt，其中λ是转向速率。每次转向时，细胞选择一个新的运动方向。新方向的选择由"转向核"决定——这就是模型的核心所在。
转向速率λ的倒数1/λ具有时间量纲，可以理解为细胞保持当前方向的"记忆时间"。当λ很大时，细胞频繁转向，运动近似为普通的扩散过程。当λ很小时，细胞很少转向，运动近似为直线，具有很强的方向持续性。真实的免疫细胞通常处于这两个极端之间——它们既不是纯扩散的，也不是纯弹道的。实验测量表明，自然杀伤细胞的持续时间大约在几分钟的量阶，对应的转向速率使得细胞在转向之前运动的距离与其体尺寸（约10微米）相当。
速度跳跃过程的数学描述涉及一个分布函数f(x, θ, t)，表示在时刻t位于位置x、运动方向为θ的细胞密度。这个分布函数满足一个输运方程，包含两部分：沿当前方向的自由运动项和转向引起的重新分布项。输运方程的形式类似于玻尔兹曼方程中的碰撞项，但这里"碰撞"是细胞主动选择新方向的过程。
冯·米塞斯转向核：方向持续性的刻画
对于无偏的运动，论文采用冯·米塞斯分布（von Mises distribution）作为转向核。冯·米塞斯分布是圆周上的正态分布类比，其概率密度函数为：
p(θ) = exp(κ cos θ) / (2π I₀(κ))
其中κ是集中参数，I₀(κ)是零阶修正贝塞尔函数。κ=0时，分布退化为均匀分布，细胞完全随机选择方向，运动变成简单的随机游走。κ很大时，分布集中在当前方向附近，细胞倾向于保持原方向，运动具有强持续性。
这个选择非常巧妙。冯·米塞斯分布在方向统计学中是标准工具，它具有数学上的优美性质：在圆形对称的问题中，傅里叶模式可以解耦。具体来说，如果把转向核展开为傅里叶级数，冯·米塞斯分布的第n个傅里叶系数恰好是Iₙ(κ)/I₀(κ)。这个简洁的形式使得后续的分析大大简化。
冯·米塞斯分布在统计学中有悠久的历史。它最初由Richard von Mises在1918年提出，用于处理周期性数据的统计推断。在方向统计学中，它扮演着正态分布的角色——正如正态分布在直线上的最大熵性质，冯·米塞斯分布在圆周上也具有最大熵性质（在给定均值方向和集中参数的条件下）。
从生物学的角度看，冯·米塞斯转向核的假设意味着细胞的转向行为不依赖于其当前位置或外部信号——纯粹由当前运动方向决定。这是一个理想化的假设，但在远离边界和化学梯度的区域中是合理的近似。
相移转向核：趋化偏置的引入
真实的免疫细胞不是完全随机运动的——它们会沿着化学物质的浓度梯度定向迁移，这种现象叫做趋化性（chemotaxis）。自然杀伤细胞在追踪癌细胞时，会感知癌细胞释放的趋化因子，并沿着浓度升高的方向偏移运动。
为了建模这种效应，论文引入了相移转向核。具体做法是在冯·米塞斯分布中加入一个偏置项：
p(θ) ∝ exp(κ cos θ + γ cos(θ - ψ))
其中γ控制偏置强度，ψ是偏置方向。当γ=0时，退化为无偏的冯·米塞斯转向核。当γ>0时，细胞的转向分布偏向ψ方向，模拟趋化梯度的效果。
这个建模方式的物理直觉很清楚：细胞每次转向时，不仅受到当前方向的惯性影响（κ项），还受到外部趋化信号的吸引（γ项）。两者的竞争决定了细胞的有效搜索策略。
相移转向核的归一化函数不再是简单的修正贝塞尔函数，而是一个更一般的积分，涉及贝塞尔函数的级数展开。这增加了分析的复杂度，但论文通过傅里叶模态的系统处理成功地管理了这种复杂度。
趋化偏置方向ψ的选择取决于具体的物理场景。在最简单的情况下，如果癌细胞恰好位于环形区域的中心，那么趋化梯度方向就是径向向内，ψ=π（如果细胞位于环形区域的外侧）。更一般地，如果癌细胞不在正中心，或者趋化场具有更复杂的结构，偏置方向可能是空间变化的。论文主要处理了均匀偏置方向的情况，这对应于趋化梯度在环形区域内近似均匀的假设。
傅里叶模态约化：降维的艺术
论文分析方法的核心技巧是傅里叶模态约化。对于环形对称的几何，角度方向天然具有周期性，因此可以将关于角度的依赖展开为傅里叶级数。速度跳跃过程的输运方程（一个偏微分-积分方程）在每个傅里叶模态上独立演化，从而将二维问题简化为一系列一维径向问题。
具体来说，将分布函数展开为：
f(r, θ, t) = Σₙ fₙ(r, t) exp(inθ)
其中n遍历所有整数，fₙ(r, t)是第n个傅里叶模态的幅度。将这个展开代入输运方程，利用冯·米塞斯转向核的傅里叶系数的简洁形式，可以得到每个模态满足的独立方程。
对于无偏的关联随机游走，由于冯·米塞斯转向核的傅里叶系数有显式表达，每个径向方程的结构都很清晰。第n个傅里叶模态的输运方程涉及径向速度和一个衰减因子（与Iₙ(κ)/I₀(κ)有关），可以解析处理。
对于有偏的情况，事情变得更加复杂。偏置项打破了角度对称性，不同傅里叶模态之间发生耦合。具体来说，相移转向核中的γ cos(θ - ψ)项在傅里叶展开中会产生相邻模态之间的耦合。论文通过系统的处理，将这种耦合纳入了一个矩阵方程，仍然能够将问题约化为有限个耦合的径向方程组，使得数值求解变得可行。
傅里叶模态约化的收敛性是关键的。论文证明了对于物理上合理的参数值，傅里叶级数收敛得很快——通常只需要保留前几个模态就足以获得高精度的结果。这不仅大大降低了计算成本，也使得解析近似成为可能。
快转向微扰展开：连接微观与宏观
在转向速率λ很大的极限下，细胞频繁转向，宏观上表现为扩散过程。这个极限对应的首达时间有一个已知的解析表达式——就是经典扩散方程给出的结果。但真实的细胞运动并不完全处于这个极限，因此需要对扩散极限结果进行修正。
论文采用微扰展开的方法，以1/λ为小参数，对首达时间进行渐近展开。零阶项就是扩散极限的结果，一阶修正项捕捉了有限方向持续性的效应。这个修正项是解析的，给出了方向持续性如何改变搜索效率的定量预测。
推导一阶修正项需要仔细的渐近匹配。在输运方程中，当λ趋于无穷时，分布函数在角度方向上趋向于各向同性，但在更精细的尺度上存在一个边界层结构——这个边界层捕捉了方向持续性的残余效应。论文通过多尺度分析的技巧，系统地提取了这个边界层的贡献。
具体来说，对于无偏的关联随机游走，一阶修正使得首达时间比纯扩散预测的更长——方向持续性实际上降低了搜索效率。这看起来违反直觉，因为持续运动似乎应该让细胞更快到达目标。但在封闭的环形区域内，持续性运动会导致细胞在局部"打转"，而不是均匀地探索整个区域。只有当细胞频繁转向（趋向扩散极限）时，才能最有效地覆盖搜索区域。
这个结论具有深刻的含义。它意味着在某些几何约束下，"无方向性"的运动反而是最优搜索策略。这与海洋生物学中的"列维游走"假说形成对比——在无限大区域内，具有重尾步长分布的列维游走确实比布朗运动更高效。但在有界的、封闭的区域内，结论可能恰好相反。
对于有偏的情况，结论截然不同。适度的趋化偏置可以显著缩短首达时间——细胞沿着梯度方向偏向运动，直接缩短了到达目标的路径。论文给出了最优偏置强度的预测，以及搜索效率对偏置参数的依赖关系。存在一个最优的偏置强度γ*，使得首达时间最短。当偏置太弱时，趋化信号不够强，搜索效率接近无偏情况。当偏置太强时，细胞被"锁定"在梯度方向上，忽略了其他方向的探索，也可能错过目标。
数值方法：三管齐下的验证
论文采用了三种独立的数值方法来验证解析结果，这种"三管齐下"的策略非常稳健，体现了严谨的科学态度。
半拉格朗日求解器。第一种方法是基于特征线的半拉格朗日格式，在径向-角度坐标下离散化输运方程。这种方法直接求解速度跳跃过程对应的偏微分方程，不依赖于任何近似。半拉格朗日格式沿着特征线追溯，天然适合处理输运方程中的对流项，数值耗散小，精度高。具体实现中，论文采用了CFL条件自适应的时间步长控制，确保数值稳定性。网格在径向方向上采用非均匀加密，在吸收目标附近使用更细的网格以捕捉梯度变化。
稳态离散格式。第二种方法是专门为处理有偏输运设计的稳态离散格式。对于稳态问题（即首达时间满足的方程），论文构造了一种保正的离散格式，能够在大偏置下保持数值稳定性。这在标准方法中往往是一个棘手的问题——当偏置很强时，对流项主导，常规的中心差分会产生非物理的振荡。论文采用迎风格式的思路，在对流方向上使用单边差分，同时通过适当的修正保持二阶精度。数值实验表明，这种格式在偏置参数跨越四个数量级的范围内都能给出稳定的解。
事件驱动蒙特卡洛模拟。第三种方法是直接模拟速度跳跃过程的随机轨迹。这种方法不求解任何方程，而是通过大量随机样本的统计平均来估计首达时间。事件驱动的实现方式意味着精确地在每个转向事件处更新状态，没有时间离散化误差。每次模拟运行生成一条随机轨迹：从初始位置出发，按当前方向运动，等待指数分布的随机时间后转向，选择新方向，重复直到粒子到达吸收目标。记录每条轨迹的首达时间，最后取所有轨迹的平均值。蒙特卡洛方法的结果为前两种确定性方法提供了独立的交叉验证。
三种方法在所有参数范围内都给出了高度一致的结果，强有力地支持了解析理论的正确性。论文中展示的对比图清晰地显示了三种方法的结果完全重叠，误差在统计涨落和数值精度的范围内。
参数空间的全景扫描
论文的一个重要贡献是系统地探索了参数空间。关键参数包括：转向速率λ（方向持续性的倒数）、集中参数κ（方向持续性的强度）、偏置强度γ（趋化信号的强度）、偏置方向ψ、以及环形区域的内外半径比。
在无偏情况下，首达时间对参数κ和λ的依赖呈现出有趣的非单调行为。当κ从小变大（方向持续性增强），首达时间先略微减小后迅速增大。存在一个"甜蜜点"，使得搜索效率最高。这个最优持续性的存在具有生物学意义——免疫细胞的运动参数可能已经通过进化被调节到接近最优值。
环形区域的几何参数——内外半径比——也对首达时间有重要影响。当内半径相对于外半径较小时，中心目标周围的可搜索区域较小，首达时间较短。当内半径较大时，搜索区域变窄为一个薄环，细胞在径向方向上的运动受到限制，首达时间增加。论文系统地绘制了首达时间关于这些参数的等值线图，为不同生物场景提供了参考。
在有偏情况下，偏置强度γ的效果非常显著。即使很小的偏置就能大幅降低首达时间。但当偏置超过某个阈值后，收益递减。这暗示了一个生物学推论：免疫系统不需要非常精确的趋化信号，一个粗略的方向性偏置就足以大幅提升搜索效率。这对理解免疫监视的鲁棒性有重要意义——即使在嘈杂的生物环境中，趋化信号存在显著噪声，免疫细胞的搜索效率仍然可以接近最优。
从数学到生物学：免疫监视的启示
这项工作的生物学背景是免疫监视（immune surveillance）理论。免疫系统需要持续地在体内巡逻，识别并清除异常细胞——包括癌变细胞、被病毒感染的细胞等。自然杀伤细胞是先天免疫系统的重要组成部分，它们不需要预先致敏就能杀伤靶细胞。
但免疫监视面临的根本挑战是搜索效率。人体有数十万亿个细胞，免疫细胞的数量远远少于需要检查的细胞数量。在有限的时间内，免疫细胞如何高效地找到少量异常细胞？这是一个典型的"大海捞针"问题。
论文的结果表明，在封闭的二维区域内，免疫细胞的搜索效率对运动参数非常敏感。方向持续性和趋化偏置的组合可以产生显著不同的首达时间。这为理解免疫监视的效率限制提供了定量框架。
值得注意的是，真实的组织是三维的，不是二维的。论文讨论了二维模型的适用性和局限性。在某些情况下——比如细胞被限制在一个薄层组织中运动，或者在血管壁附近搜索时——二维近似是合理的。对于更一般的三维搜索问题，需要将模型扩展到更高维度，这将是未来研究的方向。
免疫监视的另一个重要方面是时间尺度的竞争。癌细胞的倍增时间通常在数天到数周之间，而免疫细胞在组织中的迁移速度大约在每分钟几微米到几十微米之间。首达时间需要比癌细胞的倍增时间短得多，才能实现有效的免疫控制。论文的计算框架可以用来评估在什么条件下免疫监视是有效的，以及在什么条件下癌细胞能够逃逸。
与经典结果的对比
论文的解析结果与几个经典结果形成有趣的对比。
对于简单的随机游走（κ=0，γ=0），首达时间退化为经典扩散理论给出的结果。在环形几何中，这个结果可以通过求解拉普拉斯方程得到，涉及贝塞尔函数。论文的框架自然包含了这个特例。
对于一维情形，首达时间的解析表达式更加简洁。在半无限直线上，布朗运动的首达时间分布是著名的Lévy分布（也叫逆高斯分布的一个特例）。论文的二维环形结果可以看作这个一维结果在更高维度和更复杂运动规则下的推广。
另一个有趣的极限是当外半径趋于无穷大时，环形区域变成整个平面（挖去中心的一个点）。在这种情况下，首达时间趋于无穷大——在无限大的区域内，随机游走者最终总会到达目标，但平均时间发散。这对应于二维随机游走的"零常返"性质。与之对比，在一维和三维空间中，随机游走是"常返的"——首达时间有限。二维恰好是临界维度，这在概率论中是一个深刻而优美的结果。
论文还与Coombs早期关于速度跳跃过程的工作进行了对比。在之前的论文中，Coombs和合作者已经处理了矩形域和圆形域中的首达时间问题。环形域的引入增加了新的几何效应——内边界的存在改变了搜索空间的拓扑结构，使得一些在简单连通域中不出现的新现象得以显现。
数学技术的细节亮点
从纯数学的角度看，这篇论文有几个技术亮点值得指出。
第一，傅里叶模态约化的严格性。论文不是简单地假设解可以展开为傅里叶级数，而是从速度跳跃过程的积分-微分方程出发，严格推导了模态方程。每个模态的解的收敛性得到了保证。这需要对输运方程的适定性进行仔细的分析——论文引用了相关存在性和唯一性的已有结果，并验证了所处理的参数范围满足这些结果的条件。
第二，微扰展开的一致性。在快转向极限下的微扰展开需要小心处理边界条件。论文通过匹配渐近展开的技巧，确保了修正项在边界附近的正确行为。具体来说，在靠近吸收目标的区域和靠近反射边界的区域，微扰展开的均匀性需要额外的修正。论文通过引入边界层修正项，恢复了展开的一致性。
第三，数值格式的保正性。对于首达时间这样的物理量，数值解必须是非负的。论文设计的稳态离散格式具有保正性，不会产生非物理的负值。这在实际计算中非常重要——非保正的格式在某些参数区域可能产生负的首达时间，导致完全无意义的结果。
第四，蒙特卡洛方差缩减。为了在合理的计算时间内获得高精度的蒙特卡洛估计，论文采用了重要性采样和控制变量等方差缩减技术。这些技术将蒙特卡洛估计的标准差降低了数倍，使得统计检验更加灵敏。
方法论的推广潜力
论文建立的框架具有很强的推广潜力。除了免疫细胞追踪癌细胞的场景，类似的数学结构还出现在许多其他问题中。
在分子生物学中，转录因子在DNA上搜索特定序列的过程也可以用类似的模型描述。转录因子在DNA链上进行一维扩散，但可以偶尔解离并在溶液中重新结合到DNA的其他位置。这种"滑动-跳跃"搜索机制与速度跳跃过程有深刻的类比。实验表明，转录因子的搜索效率对其方向持续性非常敏感——这与论文的结论高度一致。
在动物行为学中，捕食者搜索猎物的过程也涉及方向持续性和偏置运动。一些海洋捕食者（如鲨鱼和海龟）的运动轨迹可以用关联随机游走很好地描述。论文的框架可以直接应用于计算这些捕食者的搜索效率。在生态学中，搜索效率的量化是理解捕食者-猎物动力学的关键。
在机器人学中，无人机在有限区域内搜索目标的问题也有相同的数学结构。通过调节方向持续性和偏置参数，可以优化搜索策略。论文的解析结果为这类优化提供了指导——例如，在已知目标大致方位的情况下，应该使用多大的偏置强度？论文的最优偏置公式可以直接回答这个问题。
在化学物理中，反应扩散系统中反应物首次相遇的时间也是一个首达时间问题。当反应物的运动不是简单的布朗运动而是具有方向持续性的活性粒子时，论文的框架可以直接应用。这在纳米粒子自组装和酶动力学等领域有潜在的应用价值。
在金融数学中，资产价格首次触及障碍（比如止损线或行权价）的时间分布是期权定价和风险管理中的核心问题。虽然金融模型通常使用几何布朗运动而不是速度跳跃过程，但论文的分析方法——特别是微扰展开和傅里叶模态约化的思想——可以在更一般的模型中找到用武之地。
未来研究方向
论文在结尾处指出了几个值得进一步探索的方向。首先是三维环形域的推广——真实的细胞运动发生在三维空间中，轴对称的三维环形域（一个实心环面）是一个自然的下一步。三维情况下的傅里叶分析需要引入球谐函数或柱谐函数，技术上更加复杂，但基本的思路是相通的。
其次是多个搜索者的情况——免疫系统中通常有多个免疫细胞同时搜索，合作搜索的效率与单个搜索者有本质不同。多个搜索者之间的竞争和合作可以导致涌现行为，如集群搜索和分工策略。论文的单搜索者框架可以作为多搜索者理论的出发点。
第三是考虑搜索者之间的信号传递——免疫细胞可以通过细胞因子进行通讯，协调搜索行为。这种通讯引入了新的时间延迟和空间关联，使得问题的数学结构变得更加丰富。
另一个有趣的方向是将运动规则变得更加复杂。真实的免疫细胞在运动过程中会"停下来"检查周围的细胞——如果发现异常就发动攻击，如果正常就继续巡逻。这种"走走停停"的运动模式可以用带静止状态的速度跳跃过程来建模，这将进一步丰富模型的生物学相关性。引入静止状态后，搜索效率不仅取决于运动参数，还取决于检查和攻击的时间分配。
还可以考虑更复杂的几何约束。真实的组织微环境不是光滑的环形，而是由细胞、血管和细胞外基质构成的复杂迷宫。将环形域的结果推广到任意几何形状需要数值方法的支持，但解析极限（如扩散极限和快转向极限）的定性结论仍然适用。
环境的随机性也是一个值得探索的方向。趋化因子的浓度场不是静态的，而是随时间和空间波动的。细胞需要在噪声环境中做出运动决策。将论文的确定性偏置模型推广到随机偏置的情况，可以提供对真实环境下搜索效率的更现实的估计。
从环形到现实：数学模型的力量与局限
每一份数学模型都是对现实的一种简化，这种简化既赋予了模型力量，也划定了它的边界。环形域、恒定速度、泊松转向、冯·米塞斯转向核——这些假设中的每一个都是对真实细胞运动的某种理想化。真实细胞的速度不是恒定的，转向时间间隔不是指数分布的，转向核可能依赖于位置和外部信号，运动空间不是光滑的环形。
那么这些简化会不会使结果变得不可靠？答案是否定的。论文通过系统地变化参数，展示了结果对模型细节的鲁棒性。解析极限（如扩散极限和快转向极限）的结果是普适的，不依赖于转向核的具体形式。中间参数范围的结果虽然依赖于冯·米塞斯转向核的假设，但定性结论——方向持续性在封闭域中降低搜索效率、趋化偏置提升搜索效率——在更一般的模型中应该仍然成立。
这种从简化模型中提取普适结论的能力，正是理论生物学的核心价值。正如爱因斯坦所说的，"模型应该尽可能简单，但不能更简单了"。论文的模型恰好处于这个甜蜜点——简单到可以进行完整的解析分析，复杂到捕捉了问题的本质物理。
对科普读者的启示
这篇文章展现了一个迷人的科学交叉点：用优美的数学来解答迫切的生物学问题。随机游走理论诞生于1905年爱因斯坦对布朗运动的分析，一百多年后它依然是理解生命现象的有力工具。从爱因斯坦的分子运动论到今天的免疫细胞搜索理论，随机游走的思想经历了无数的推广和深化，但其核心直觉始终不变：在不确定性中寻找统计规律。
当我们惊叹于免疫系统消灭病原体的能力时，不应该忘记这种能力背后有着精密的数学结构。免疫细胞的"漫无目的"的游荡，实际上是一套经过亿万年进化优化的搜索算法。理解这套算法的数学原理，不仅能帮助我们更好地理解免疫学，还能为设计人工搜索策略提供灵感。
论文arXiv:2606.13890为我们展示了应用数学最优雅的一面：从一个具体的生物学问题出发，发展出一套具有普遍性的理论框架，最终回归到对真实世界的定量理解。这种从具体到抽象再回到具体的循环，正是科学思维的核心魅力所在。在免疫学和数学的交界处，Saghafifar和Coombs搭建了一座优美的桥梁，连接了微观的细胞运动规则和宏观的搜索效率预测。这座桥不仅具有理论价值，更有望在未来的免疫治疗和药物设计中发挥实际作用。
想象一下：如果我们能精确计算出免疫细胞找到癌细胞需要多长时间，就能预测免疫系统能否在癌细胞失控扩散之前将其消灭。这个计算正是论文的理论框架最终要回答的问题。从环形域中的随机游走，到临床癌症免疫治疗，中间还有很长的路要走。但数学建模的价值正在于此——它为我们提供了从基本原理出发进行定量推理的工具，让科学猜测变成科学计算。
评论