他把一迭纸推到我面前。

    “这是一组关于酯类水解反应的数据。在不同温度、不同催化剂浓度条件下，我们测量了反应物浓度随时间的变化。理想情况下，反应速率应遵循阿伦尼乌斯公式和米氏方程的某种变形。但实际数据存在非线性偏离。”

    他简要说明了实验条件和需要提取的动力学参数。

    “这是研究生一周的工作量，”海因茨在一旁补充“但如果能找到合适的数学变换，可能缩短到两到三天。问题在于，目前的数据处理方式过于依赖经验试错。”

    我低头看数据。

    密密麻麻的数字，来自七个温度点、五种催化剂浓度、每个条件重复三次、每次采样时间点从三十秒到四小时。总数据点超过两千个。

    冯·菲舍尔教授没有给我任何提示。他转回身继续处理手头的文件，海因茨也回到实验台前调整仪器。我被允许留在实验室，是因为他们需要一个能解决问题的人。如果不能解决问题，就不会有第二次机会。

    我首先做的是分类。将数据按温度分组，在每个温度组内按催化剂浓度分组，在每个浓度组内按时间序列排列。然后，我在草稿纸上画出初步的趋势图——不是精确的数学绘图，只是粗略的点和连线。

    第一轮观察，不同温度下的反应速率差异明显，符合指数规律的基本预期。不同催化剂浓度的影响则呈现出非线性特征，在低浓度区变化剧烈，在高浓度区趋于饱和。这并不意外。意外的是，当我把某些特定浓度下的数据点按特定方式重新排列时，出现了一个奇怪的模式。

    我停下笔，看着那几行数字。它们似乎服从某种共同的变换关系，但不在原始变量空间。

    我尝试了几种常见的线性化方法：对数变换、倒数变换、对数-对数变换。第一组数据经过对数变换后呈现良好线性，但第二组就不行；第二组用倒数变换改善了一些，第三组又偏离。

    这不是标准模型。我开始尝试组合变换。

    草稿纸上写满了推导。冯·菲舍尔教授偶尔投来一瞥，没有出声。海因茨调试完仪器，端着一杯咖啡经过我身后，脚步顿了一下，然后安静地走开。

    下午三点，窗外天色开始变暗。实验楼外的菩提树在风中沙沙作响。我重新整理思路，又尝试了另一个假设。

    写下新的表达式，代入数据，计算结果与实验值的偏差。

    偏差太大。重新调整参数，再算。

    办公室里的光线逐渐由白变灰。冯·菲舍尔教授起身开了灯，海因茨翻阅文献的纸张偶尔沙沙作响。

    我突然意识到，整个问题的根源在于假设：我认为温度效应和催化剂效应是相互独立的。