传统神经网络主要通过仿射变换加非线性激活进行学习，时间往往被当作辅助特征或假设为等间隔采样。本文提出波函数反向传播（WFB），将神经响应参数化为可学习的振幅、波数、角频率和相位，并通过可微分的时空波相位将观测状态与时间间隔 Δt 关联。我们推导了标准的 WFB 梯度，并基于波响应的拉普拉斯算子给出空间曲率校正。WFB 在一个专门设计的前馈轨迹预测器中实现，以提供受控的概念验证；序列学习不在本次评估范围。实验中，使用运动特征的 STD‑WFB 在真实时间间隔下相较原始前馈网络（FFN）将平均位移误差（ADE）降低 20.4%。在仅使用位置且去除预计算速度加速度的评估中，真实间隔 WFB 将 ADE 降低 10.4%，并与参数匹配的 ReLU 基线竞争，平均 ADE 比显式 Δt 的匹配 FFN 低 2.1%。随机打乱间隔的 WFB 获得最低平均 ADE，说明波表示本身有效，但提升并非仅源于间隔对齐。这些结果表明 WFB 是一种可行的结构化前馈学习方案，为后续架构研究提供了明确基础。
点评: WFB 将时序信息嵌入波动参数，兼顾物理直观与可微分性，实验验证了其在轨迹预测中的优势，为时序建模提供了新思路。