真实实验往往又慢又贵，科学家却还要从有限观测里反推看不见的原因。就像先让学徒在模拟器里练习，再去处理真实病例，这项工作提出 Simulation-Grounded Neural Networks（SGNNs）：用机制模型——依据因果认识写出的规则或方程——批量生成带噪声的仿真数据，预训练神经网络。模型由此学到一组偏向科学结构的先验，而不必把可能写错的方程变成不可违反的硬规则。
作者在流行病学、生态学、社会科学和化学任务上测试了这一路线。最具体的结果是：在 COVID-19 死亡预测中，SGNNs 的预测能力接近 CDC 平均模型的三倍；作者还称，即使训练仿真包含错误假设，模型仍有较好表现。它也能把现实动态对应回训练库里最相似的仿真案例，帮助解释推断依据。不过，材料未披露该指标的具体定义与完整实验设置，这些效果仍以作者报告为准。