Naukowcy podeszli do problemu inwersji systemów reakcji-dyfuzji (odtwarzania parametrów na podstawie obserwacji) bezpośrednią metodą — propagując gradienty wstecz przez samą strukturę równania różniczkowego cząstkowego (PDE), bez sieci neuronowych czy modeli zastępczych. Zamiast tego stosują niezrolowany symulator Gray-Scott i próbują odzyskać jego parametry minimalizując stratę na stanie stacjonarnym.
Okaza się, że optymalizacja zawodzi. Aby zrozumieć dlaczego, autorzy zmapowali krajobraz funkcji strat — i znaleźli tam coś fascynującego: płaskie plateau pozbawiające signału gradientowego, otoczone ostrymi klifami, które idealnie pokrywają się z granicami bifurkacji w systemie. Ta struktura powtarza się niezależnie od tego, jak trasuje się gradienty do parametrów. To odkrycie traktują jako ablację PINNów — systematyczne wyłączanie komponentów, aby zrozumieć ich rolę.
Analiza pokazuje wyraźny podział pracy: gdy sieć neuronowa zostaje zamrożona, strata residualna (mierząca, jak dobrze sieć spełnia równanie) jest kwadratowa względem parametrów PDE i daje gładki krajobraz — bez patologicznych plateau. Oznacza to, że sama strata residualna już koduje pełną dynamikę PDE dla wszystkich warunków początkowych. Sieć neuronowa natomiast nie potrafi naprawić źle postawionej podprzestrzeni parametrów i służy jedynie do uzupełniania obserwowanych danych. Te ustalenia mają praktyczne implikacje dla projektowania metod PINN-type i ogólniejsze lekcje o tym, kiedy dodatkowe wymiary rzeczywiście pomagają.