Les équations différentielles neuronales (Neural Differential Equations) combinent les réseaux neuronaux avec des équations différentielles pour modéliser des systèmes dynamiques.
Le taux de variation d'un état est modélisé comme une fonction d'un réseau neuronal, ce qui est particulièrement utile pour les processus en temps continu.
Un exemple bien connu est celui des équations différentielles ordinaires neuronales (Neural ODEs), où un réseau neuronal définit la dérivée d'un vecteur d'état et est intégré numériquement.
Ces modèles permettent de créer des prédictions flexibles mais physiquement cohérentes pour des séries temporelles, des problèmes de contrôle ou des simulations physiques.