L’ipotesi di cinetiche analitiche per sistemi reattivi complessi rappresenta una sfida significativa, in particolare quando sono coinvolte numerose reazioni simultanee. Per questo motivo, negli ultimi anni sono stati sviluppati nuovi metodi basati sui dati che permettono di approssimare le cinetiche di reazioni chimiche coinvolte in processi complessi. Tra questi, hanno riscontrato un particolare successo le Neural Ordinary Differential Equations (NODEs), che integrano le reti neurali con i metodi di risoluzione di sistemi di equazioni differenziali ordinarie, rendendoli completamente differenziabili e quindi adatti all’ottimizzazione tramite apprendimento automatico. Le NODEs, infatti, permettono di simulare affidabilmente il comportamento di sistemi dinamici apprendendo le informazioni necessarie da set di dati sperimentali o sintetici, le cui dimensioni sono tipicamente ridotte.