# Neuronowe równania różniczkowe (neural ODE)

EN: **Neural ordinary differential equations (neural ODE)** · id `neuralode` · aliases: neural ODE, neural ODEs, NODE, continuous-depth networks, sieci o ciągłej głębokości, neuronowe ODE

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Sieci i modele generatywne](https://aiatlasgraph.com/t/neural.md) › [Alternatywne architektury sieci](https://aiatlasgraph.com/t/altarchs.md) › Neuronowe równania różniczkowe (neural ODE)

## Description

- PL: Modele, w których sieć neuronowa parametryzuje pochodną stanu ukrytego, a wyjście liczy solver ODE; ciągłe uogólnienie sieci resztkowych.
- EN: Models where a neural network parameterises the derivative of a hidden state and an ODE solver computes the output; a continuous generalisation of residual networks.

## In one sentence

- PL: Sieć, która zamiast przechodzić przez ustaloną liczbę warstw opisuje płynną zmianę danych w czasie, jak równanie ruchu.
- EN: A network that, instead of passing through a fixed number of layers, describes smooth change of data over time, like an equation of motion.

## Problem it solves

- PL: Pomiary z czujników czy badań przychodzą w nierównych odstępach, a zwykłe sieci oczekują równych kroków.
- EN: Readings from sensors or medical tests arrive at uneven intervals, while ordinary networks expect equal steps.

## What it does

- PL: Jak zamiana schodów na rampę: model uczy się kierunku zmian w każdej chwili, a program liczący równania wyznacza, dokąd stan dopłynie.
- EN: Like swapping stairs for a ramp: the model learns the direction of change at each moment, and a solver works out where the state ends.

## Everyday example

- PL: Z wyników badań zbieranych na wizytach w nierównych odstępach model szacuje, jak zmieniały się one pomiędzy wizytami.
- EN: From test results collected at unevenly spaced visits, a model estimates how they changed between visits.

## This concerns you if you…

- PL: masz pomiary w nieregularnych odstępach czasu
- PL: modelujesz zjawisko fizyczne lub biologiczne
- PL: chcesz rozumieć modele generatywne oparte na przepływie
- EN: have measurements at irregular time intervals
- EN: model a physical or biological process
- EN: want to understand flow-based generative models

## Keywords

torchdiffeq · adjoint sensitivity method · continuous normalizing flows · Latent ODE · ODE-RNN · Diffrax · neural SDE · augmented neural ODE

## How it works

- PL: Sieć f(h, t, θ) podaje dh/dt, a stan końcowy wyznacza numeryczny solver równań różniczkowych zwykłych. Gradienty liczy się metodą sprzężoną (adjoint), rozwiązując równanie wstecz w czasie, przy stałej pamięci względem liczby kroków. Ta sama idea stoi za ciągłymi przepływami normalizującymi.
- EN: A network f(h, t, θ) gives dh/dt, and a numerical ODE solver computes the final state. Gradients come from the adjoint method, solving an equation backwards in time with memory constant in the number of steps. The same idea underlies continuous normalising flows.

## Limits

- PL: Czas obliczeń zależy od sztywności dynamiki i bywa nieprzewidywalny; solver adaptacyjny może wykonywać coraz więcej kroków w trakcie treningu. Metoda sprzężona może dawać niedokładne gradienty, a trening jest zwykle wolniejszy niż dla dyskretnych sieci.
- EN: Compute time depends on how stiff the dynamics are and can be unpredictable; an adaptive solver may take ever more steps during training. The adjoint method can give inaccurate gradients, and training is usually slower than for discrete networks.

## Key terms

- PL: **solver ODE**: Program przybliżający krok po kroku rozwiązanie równania różniczkowego.
- PL: **metoda sprzężona (adjoint)**: Liczenie gradientów przez rozwiązanie drugiego równania wstecz w czasie.
- PL: **ciągły przepływ normalizujący**: Model generatywny przekształcający szum w dane płynną dynamiką.
- EN: **ODE solver**: A program approximating a differential equation's solution step by step.
- EN: **adjoint method**: Computing gradients by solving a second equation backwards in time.
- EN: **continuous normalising flow**: A generative model turning noise into data through smooth dynamics.

## Know first

- [Połączenia resztkowe (skip connections) (Residual (skip) connections)](https://aiatlasgraph.com/t/residual.md)
- [Rachunek różniczkowy i gradienty (Calculus and gradients)](https://aiatlasgraph.com/t/calculus.md)

## Subtopics (1 direct, 1 in total)

- [Sieci o płynnych stałych czasowych (liquid networks) (Liquid time-constant networks (liquid neural networks))](https://aiatlasgraph.com/t/liquidnets.md): Continuous-time recurrent networks whose neuron time constants depend on input and state; dynamics are computed by an ODE solver or a closed-form approximation (CfC).

## Related topics

Untyped, symmetric "see also" links.

- [Przepływy normalizujące i flow matching (Normalising flows and flow matching)](https://aiatlasgraph.com/t/flowmatching.md)

## Sources

- [Neural Ordinary Differential Equations](<https://arxiv.org/abs/1806.07366>) `chen-neural-ode-2018` · by Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt, David Duvenaud

---

AI Atlas revision 129 (2026-11-05) · HTML: https://aiatlasgraph.com/t/neuralode · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-05