您描述的问题是一个观点问题；尽管您想预测输入，将 BB（黑盒）的输出定义为新系统（反向 BB）的输入，其输出是原始 BB 的输入，但可以使用以前的文献。使用这种方法有一些假设，例如“每个输入都可以使用 1 个或多个输出从反函数计算”，因此请注意。

我建议通读Richard Sutton 的这篇论文。它的介绍在数学上定义了问题，并引用了一些常见的方法以及它自己的方法。

训练神经网络的最大问题之一是创建高质量的数据集。例如，如果要对图片进行分类，则需要大量正确分类的图片作为训练输入。在您的场景中，您可以通过将随机数据提供给您的黑盒并存储输出来自动化这项费力的工作。瞧，你有你的训练数据。

您的神经网络将具有与黑盒相同的输入和输出结构。您可以像使用手动生成的训练数据一样使用生成的训练数据。我无法提供任何实际的实现，因为培训机制取决于您的技术堆栈，包括。您正在使用的框架。但是，当涉及到训练过程本身时，您的场景并没有什么不寻常的地方，您可以遵循许多可用的神经网络训练教程之一——例如，一个非常基本的教程是 Keras的本教程（如果那是您的框架的选择）。