🤖 machine learning

NewPINNs: Physics-Informing Neural Networks Using Conventional Solvers for Partial Differential Equations

该论文介绍了 NewPINNs，这是一个将传统数值求解器直接集成到物理信息神经网络训练循环中的新颖框架，通过求解器一致性来强化物理定律和边界条件，从而克服了标准基于残差的方法中常见的优化挑战和损失权重敏感性问题。

原作者： Satish Chandran, Maedeh Makki, Maziar Raissi, Adrien Grenier, Behzad Mohebbi

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Satish Chandran, Maedeh Makki, Maziar Raissi, Adrien Grenier, Behzad Mohebbi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一名学生如何通过一个复杂的迷宫。

旧方法（标准 PINNs）：
传统上，科学家们使用一种叫做“物理信息神经网络”（PINNs）的方法。在这种方法中，你给学生一张迷宫地图和一系列严格的规则：“你绝不能撞墙”、“你必须顺着风走”以及“你必须从门口出发”。每当学生犯错时，你都会根据这些规则对他进行惩罚。问题在于，这些规则往往是相互冲突的，数学上的平衡极其困难，学生会因此感到困惑，经常放弃或学到了错误的路径。这就像是在一个人还在学习如何握稳方向盘时，试图通过同时对他大喊一千条不同的交通法规来教他开车。

新方法 (NewPINNs)：
这篇论文介绍了一种更聪明的方法来训练这些“学生”（神经网络）。NewPINNs 不再只是对着他们大喊规则，而是为学生配备了一位“专业司机”（一个传统的、经过验证的计算机求解器）。

以下是 NewPINNs 的“拉动-推动”（pull-push）方法是如何运作的，我们用一个简单的类比来说明：

“猜猜看与检查”游戏

学生进行猜测（拉动/The Pull）：
神经网络（学生）观察初始条件，并对解的形态做出猜测。它会说：“我认为这里的水位会很高，而且风会朝这个方向吹。”
专业司机接管（推动/The Push）：
研究人员不再通过检查猜测是否符合一系列抽象规则来判断，而是将这个猜测输入到一个专业的数值求解器中。你可以把这个求解器想象成一位经验极其丰富、极其稳健的司机，他完全了解物理定律是如何运作的。求解器接收学生的猜测，并在时间轴上向前或在迷宫中运行几步。它会说：“好吧，如果从你的这个猜测开始，根据物理定律，接下来会发生什么。”
对比（教训）：
现在，学生会对下一个时刻做出一个新的猜测。研究人员会将学生的这个新猜测与专业司机实际产生的结果进行对比。
- 如果学生的猜测与专业驱动的结果相符，说明他们走在正确的轨道上。
- 如果不匹配，学生就会学到：“噢，我错了。专业司机向我展示了，如果我从这里开始，风实际上会把我推向那里。”
循环往复：
这个过程周而复始。学生通过观察专业司机如何纠正路径来进行学习。最终，学生会变得非常擅长预测专业司机的行为，以至于他们可以完全跳过司机，直接给出正确答案。

为什么这意义重大

该论文声称这种方法解决了旧方法中的几个痛点：

不再有“规则混乱”： 旧方法试图同时平衡许多不同的数学规则，这经常导致训练失败。NewPINNs 让专业司机来处理所有复杂的规则（边界条件、物理定律、稳定性）。学生只需要学习模仿专业司机即可。
能够兼容“黑盒”工具： 专业司机不需要是一个能解释其解题逻辑的数学天才。它可以是一个标准的、商业化的软件工具（例如工程师设计汽车或飞机时使用的工具），研究人员甚至不需要对其进行修改。他们只需将其作为一个“黑盒”，利用它提供的正确答案即可。
处理“难题”： 论文展示了即使在旧方法通常会失败的混乱且复杂的情况下，该方法依然有效，例如：
- 流体： 模拟水流绕过圆柱体或空气流过机翼的情况。
- 冲击波： 预测大坝决堤产生的突然且剧烈的波动。
- 3D 结构： 计算带有孔洞的金属梁在压力下的弯曲情况。

“逆向”技巧（破解谜团）

论文还展示了如何将此用于“逆问题”（Inverse Problems）。想象你看到一张车祸的照片（结果），但你不知道车速有多快（原因）。

在旧方法中，这非常困难。
使用 NewPINNs，系统会猜测一个速度，通过专业司机运行一遍，看看生成的车祸场景会是什么样子，然后将其与真实的图片进行对比。它会不断调整速度的猜测值，直到模拟的车祸场景与真实照片完美匹配。论文表明，即使照片模糊或有噪声，这种方法依然有效。

核心结论

作者们的观点本质上是：不要试图直接把物理定律教给 AI。 相反，让 AI 通过观察一个值得信赖、经过验证的计算机程序如何开展工作来进行学习。AI 会学习成为那个程序的“孪生体”——既快速又准确，并且能够解决复杂的工程和科学问题。

论文通过从 2D 流体流动到 3D 固体力学的多种场景展示了这一成功，证明了这种“学生向专家学习”的方法是解决困难工程和科学问题的强大手段。

技术摘要：NewPINNs —— 使用传统求解器的物理信息神经网络

问题陈述

求解偏微分方程（PDE）是科学和工程学科的基础，然而对于复杂系统，解析解往往难以获得。虽然传统的数值方法（有限差分、有限体积、有限元）长期以来提供了精确的解，但对于重复查询而言，它们的计算成本可能非常高。深度学习方法，特别是物理信息神经网络（PINNs），通过利用自动微分将物理定律直接嵌入损失函数，已成为一种数据高效的替代方案。

然而，标准的 PINNs 面临着显著的结构性限制，阻碍了它们在复杂场景中的可靠性：

优化困难： 损失函数是一个由 PDE 残差、边界条件（BCs）和初始条件（ICs）组成的复杂的、非凸的加权和，这往往导致在刚性或多尺度系统中出现收敛失败。
超参数敏感性： 平衡相互竞争的损失项需要针对特定问题的精细调优标量权重。
谱偏差（Spectral Bias）： 神经网络倾向于先学习低频函数，在 PDE 残差提供微弱梯度信号的高频动力学或剧烈梯度区域表现挣扎。
可微性约束： 许多“混合”方法要求可微的求解器，这限制了对成熟、优化的商业黑盒求解器的使用。

方法论：NewPINs 框架

作者引入了 NewPINNs 框架，该框架从根本上改变了向神经网络注入物理信息的方式。NewPINNs 不再通过自动微分最小化 PDE 残差，而是将神经网络直接与传统的数值求解器耦合在一个闭环“拉-推”（pull-push）训练过程中。

核心机制

拉（The Pull）： 神经网络（ $f_{NN}$ ）生成一个候选解状态（例如，在时间 $t_n$ 处的场 $u$ 或稳态猜想）。
推（The Push）： 该候选状态被输入到传统的数值求解器（ $S$ ）（例如 FVM、FEM）中，作为初始条件或迭代步。求解器将状态推进到 $t_{n+1}$ 或执行 $N_s$ 次迭代以趋向平衡，通过其离散化过程隐式地强制执行边界条件和物理定律。
求解器一致性损失（Solver-Consistency Loss）： 训练目标是最小化网络在下一步的预测与求解器演化状态之间的差异。
- 瞬态系统： 损失函数比较 $f_{NN}(t_{n+1})$ 与 $S[f_{NN}(t_n)]$ 。此外还包含一个强制执行初始条件的项。
- 稳态系统： 损失函数比较网络的输出 $f_{NN}(\alpha)$ 与对该输出应用少量迭代次数 $N_s$ 后的结果。网络学习生成作为求解器不动点（或近不动点）的状态。
- 基于优化的稳态： 对于由能量最小化定义的题目（例如弹性力学），求解器被重新解释为一个迭代优化器。网络学习生成满足离散平衡方程（一阶最优性）的场，这些方程是在求解器更新规则下的结果。

关键区别

黑盒求解器： 求解器被视为不可微算子。它不参与梯度计算；梯度仅通过神经网络流动。这使得研究人员可以在无需修改的情况下，使用成熟且高度优化的商业黑盒求解器（如 COMSOL、Ansys、NGSolve、FiPy）。
无显式残差： 该框架消除了对显式 PDE 残差项和边界条件惩罚项的需求，因为这些是通过求解器本身来强制执行的。
逆问题： 该框架通过联合优化网络权重和未知物理参数，将其扩展到了逆问题领域。逆向损失匹配网络的预测值与带噪声的观测值，而前向求解器一致性循环则确保了解的物理可行性。

核心贡献

新颖的训练范式： 提出了求解器一致性训练循环，用“拉-推”交互取代了基于残差的损失函数，实现了网络与传统求解器之间的协作。
求解器无关性： 证明了成熟的数值求解器可以作为黑盒约束算子，从而消除了对可微物理或自定义求解器实现的需求。
缓解 PINN 的失效模式： 通过将物理强制执行委托给求解器，该方法避免了与标准 PINNs 相关的优化病态、权重敏感性和谱偏差问题。
广泛的适用性： 该框架在多种数值离散化（有限体积法 FVM 和有限元法 FEM）、问题类型（稳态和瞬态）以及物理机制（线性、非线性、双曲型和椭圆型）下得到了验证。

实验结果

作者使用 FVM 和 FEM 求解器在六个基准问题上评估了 NewPINNs：

2D Fokker–Planck 方程 (FVM)： 一个稳态对流-扩散问题。网络在不同势参数范围（ $\alpha \in [1, 2]$ ）内学习了平衡玻尔兹曼密度，其 $L_2$ 误差低于 $5 \times 10^{-3}$ 。
2D 驱动流腔 (FEM)： 一个高雷诺数（ $Re \in [2000, 3000]$ ）流体流动问题，已知对标准 PINNs 具有挑战性。NewPINNs 成功捕捉到了主要回流区和次级角落涡流，RMS 误差低于 $10^{-2}$ 。
1D 变系数平流 (FVM)： 一个具有不连续初始数据的瞬态双曲问题。网络准确追踪了高斯分布和顶帽分布（top-hat profiles）的传播与变形。
逆平流问题： 从噪声观测（5–15% 噪声）中恢复了未知的平流参数，绝对误差低于 0.5%，展示了在参数识别方面的鲁棒性。
2D 圆柱绕流 (FEM)： 一个涉及周期性冯·卡门涡街（von Kármán vortex shedding, $Re \in [50, 100]$ ）的瞬态问题。通过正弦时间嵌入，网络捕捉到了振荡尾迹动力学和压力场，在参数范围内保持了低误差。
径向坝崩决 (FVM)： 一个带有不连续冲击波的非线性双曲系统。网络重现了向外移动的涌波（bore）和向内稀疏波（rarefaction），在处理尖锐特征时未产生伪振荡。
3D 线性弹性力学 (FEM)： 一个在穿孔梁上的矢量值稳态问题。网络学习了不同泊松比下的位移场，相对于位移量级达到了约 4% 的 RMS 误差。

在所有案例中，逆问题都成功地从噪声数据中恢复了未知参数，并利用前向求解器一致性约束保持了物理有效性。

重要性与主张

论文声称，NewPINNs 通过将物理强制执行、边界条件满足和数值稳定性的负担转移给成熟且鲁棒的数值求解器，为标准 PINNs 提供了一个原则性的替代方案。

无残差的物理有效性： 网络通过反复接触求解器的作用，学习生成“物理上可行的”状态，实际上是在学习求解器（或其“孪生”）的代理模型，该模型尊重底层离散化的稳定性及不变性属性。
鲁棒性： 该方法缓解了常见的 PINN 失效模式，特别是在标准基于残差的方法难以应对的刚性、非线性及高雷诺数机制中。
实用性： 通过将求解器视为黑盒，该框架允许研究人员利用数十年来开发的商业及开源数值软件，而无需推导这些求解器的可微版本。
局限性： 作者指出，训练可能需要求解器可容许的初始化（例如 Kaiming 初始化）和热启动策略，特别是对于强非线性或不连续系统，以确保求解器能够成功推进网络的初始预测。

该工作总结道，求解器耦合学习是一种构建可复用科学代理模型和解决参数识别问题的灵活方法，它架起了数据驱动学习与经典数值分析之间的桥梁。