💻 computer science

Physics Informed Neural Network using Finite Difference Method

本文提出了一种利用有限差分法替代自动微分来计算物理信息神经网络（PINN）偏微分方程损失函数的方法，该方法不仅实现成本低、计算速度快，且在拉普拉斯方程和伯格斯方程的实验中展现出优于传统深度学习且与自动微分 PINN 精度相当的性能。

原作者： Kart Leong Lim, Rahul Dutta, Mihai Rotaru

发布于 2026-02-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Kart Leong Lim, Rahul Dutta, Mihai Rotaru

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

这篇论文讲述了一个关于**“如何让人工智能更懂物理规律”**的有趣故事。

想象一下，你正在教一个非常聪明的学生（人工智能/神经网络）去预测天气或者设计桥梁。

1. 传统方法 vs. 新方法：死记硬背 vs. 理解原理

普通深度学习（普通学生）： 就像是一个只会死记硬背的学生。你给他看一万张下雨的照片，他就学会了看到乌云就喊“要下雨了”。但如果遇到一张他没见过的奇怪乌云，他可能就懵了，因为他不懂“水蒸气凝结”这个物理原理。
物理信息神经网络（PINN，懂原理的学生）： 现在的流行做法是给这个学生一本**“物理教科书”**（偏微分方程，PDE）。在考试（训练）时，不仅要看他答得对不对（数据），还要看他的解题过程是否符合物理定律。如果他的预测违背了物理常识（比如水往高处流），老师就会扣分。

2. 核心问题：怎么“批改”物理作业？

在传统的 PINN 方法中，老师（计算机）使用一种叫**“自动微分”（AD）**的高科技工具来批改作业。

比喻： 这就像给每个学生发了一台超级计算器。学生每写一步，计算器就自动算出导数（变化率）。
缺点： 这台计算器虽然强大，但很贵、很慢，而且有时候太复杂，学生（计算机）算着算着就晕了，或者在题目少的时候算不准。

3. 这篇论文的创意：用“数格子”代替“超级计算器”

作者 Kart Leong Lim 等人提出了一个**“土法炼钢”**但非常有效的替代方案：有限差分法（FDM）。

比喻： 想象你要计算一个山坡有多陡。
- 自动微分（AD）： 就像请了一位数学家，用微积分公式瞬间算出任意一点的精确斜率。
- 有限差分（FDM）： 就像你拿一把尺子，在地图上数格子。你看这个点比左边高多少，比右边低多少，然后简单加减一下，就能估算出坡度。

这篇论文的核心创新点就是：
在训练 AI 时，扔掉那台昂贵的“超级计算器”（自动微分），改用简单的**“数格子”（有限差分法）**来检查 AI 是否遵守物理定律。

4. 为什么这样做更好？（生活中的类比）

作者通过两个实验（拉普拉斯方程和伯格斯方程）证明了这种方法很厉害：

省钱省力（计算快）：
- 比喻： 就像你不需要用超级计算机来算“今天中午吃不吃面”，用脑子简单估算一下就够了。
- 结果： 他们的"FDM-PINN"不需要昂贵的显卡（GPU），用普通的电脑 CPU 就能跑得飞快，比用“超级计算器”的方法快得多。
数据少时更聪明：
- 比喻： 如果只给你看 10 张天气图（数据很少），死记硬背的学生（普通 AI）会瞎猜，用超级计算器的学生（传统 PINN）也会因为计算太复杂而算错。但用“数格子”方法的学生，因为逻辑简单直接，反而能猜得更准。
- 结果： 在数据点很少的情况下，他们的方法比传统方法更准，或者至少一样准。
简单粗暴：
- 对于像“拉普拉斯方程”（描述电场或温度分布）这种问题，他们的“数格子”方法本质上就是**“取平均值”**。
- 比喻： 就像你想知道一个房间的平均温度，不需要复杂的公式，只要把周围几个点的温度加起来除以 4 就行了。作者把这种简单的逻辑直接变成了 AI 的“扣分标准”。

5. 总结与未来

这篇论文说了什么？
他们发现，在教 AI 学物理时，不一定非要用那种高大上、复杂的“自动微分”工具。有时候，回归传统的、简单的“数格子”（有限差分法），反而能让 AI 学得更快、更稳、更省钱。

未来的路：
虽然这个方法很好，但目前有个小限制：它要求数据必须像“棋盘”一样整齐排列（网格化），不能是乱糟糟的点。未来，作者希望能像处理图像一样，用更高级的“卷积神经网络”来让这个方法适应更复杂的形状。

一句话总结：
别总想着用“超级计算器”去解物理题，有时候，拿把尺子“数格子”反而能让 AI 学得更聪明、跑得更快！

论文技术总结：基于有限差分法的物理信息神经网络 (FDM-PINN)

1. 研究背景与问题定义

背景：
物理信息神经网络（Physics-Informed Neural Networks, PINN）通过将物理定律（通常以偏微分方程 PDE 的形式）作为约束引入深度学习的损失函数，从而解决工程系统中的多物理场建模问题。传统的 PINN 实现主要依赖**自动微分（Automatic Differentiation, AD）**技术来计算神经网络输出的偏导数，以构建 PDE 损失项。

现有问题：
尽管 AD 在 PINN 中应用广泛，但存在以下局限性：

计算成本高：在少量配点（collocation points）条件下，AD 基 PINN 的计算时间较长。
精度问题：在配点较少时，AD 基 PINN 的精度往往较低。
收敛性理论缺失：AD 基 PINN 的理论收敛性尚未得到充分证明。
黑盒特性：AD 被视为一种黑盒求解器，缺乏对底层数值机制的显式控制。

核心问题：
是否存在一种替代方案，能够利用数值微分（Numerical Differentiation, ND）而非自动微分来构建 PINN 的 PDE 损失函数，从而在降低实现复杂度和计算成本的同时，保持甚至提升模型性能？

2. 方法论 (Methodology)

本文提出了一种基于有限差分法（Finite Difference Method, FDM）的 PINN（FDM-PINN）。其核心思想是将 PDE 求解器与 PINN 的损失函数解耦，利用传统的数值微分方法近似 PDE 残差，从而完全摆脱对自动微分的依赖。

2.1 核心机制

PDE 损失函数的重构：
传统 PINN 利用链式法则通过 AD 计算 $\frac{\partial u}{\partial x}$ 等导数。本文提出将 PDE 残差 $f(u)$ 近似为网格节点上的有限差分形式 $\Gamma$ 。
- 拉普拉斯方程 (Laplace's Equation)：
  利用 FDM 近似拉普拉斯算子，其形式类似于图像处理中的拉普拉斯滤波器或电磁分析中的逐次超松弛（SOR）算法的残差项：
  $\Gamma_{(i,j)} = \frac{V_{(i-1,j)} + V_{(i+1,j)} + V_{(i,j-1)} + V_{(i,j+1)} - 4V_{(i,j)}}{h^2}$
  其中 $V$ 是神经网络输出， $h$ 是节点间距。
- 伯格斯方程 (Burger's Equation)：
  同样使用 FDM 近似一阶和二阶导数（如 $u_t, u_x, u_{xx}$ ），构建离散化的 PDE 残差表达式。
训练流程：
1. 离散化：在定义域内生成均匀分布的网格节点。
2. 前向传播：神经网络输出网格节点上的预测值。
3. 损失计算：
  - 数据驱动损失 ( $L_\mu$ )：均方误差（MSE），衡量预测值与边界/初始条件的差异。
  - 物理信息损失 ( $L_f$ )：计算网格节点上的 FDM 残差 $\Gamma$ 的平方和。
  - 总损失： $L_{PINN} = L_\mu + \lambda L_f$ 。
4. 权重更新：
  利用随机梯度上升（SGA）更新网络权重。对于物理损失项的梯度 $\nabla L_f$ $\nabla L_{f}$ ，通过链式法则分解为 $\frac{\delta L_f}{\delta \Gamma} \times \frac{\delta \Gamma}{\delta V}$ $\frac{δ L _{f}}{δ Γ} \times \frac{δ Γ}{δ V}$ 。
  - 关键假设：为了简化计算，假设局部表面梯度 $\frac{\delta \Gamma}{\delta V}$ 为常数（或局部线性），从而避免了对神经网络内部复杂导数的反向传播需求，使得整个训练过程无需自动微分。

3. 主要贡献 (Key Contributions)

提出 FDM-PINN 架构：首次系统性地提出完全基于有限差分法构建 PINN 损失函数的方法，彻底移除了训练过程中对自动微分库（如 TensorFlow tf.gradients 或 PyTorch autograd）的依赖。
低实现成本与高计算效率：证明了 FDM 方法在实现上极其简单（类似于图像滤波或 SOR 算法），且在低配点数量下，计算速度显著快于基于 GPU 加速的 AD 基 PINN。
性能验证：在拉普拉斯方程（电磁场问题）和伯格斯方程（流体力学问题）上进行了广泛实验，证明了 FDM-PINN 在误差控制上优于纯数据驱动的神经网络（NN），且在与 AD-PINN 的对比中表现相当或更优。
理论视角的转换：将 PINN 的物理约束视为对神经网络输出场的“滤波器响应”（如拉普拉斯滤波器），为理解 PINN 的收敛机制提供了新的数值分析视角。

4. 实验结果 (Results)

实验对比了三种模型：纯神经网络（NN）、基于自动微分的 PINN（AD-PINN）和本文提出的 FDM-PINN。

伯格斯方程 (Burger's Equation)：
- 精度：在初始/边界条件样本较少（如 $N_{ini}=10$ ）的情况下，FDM-PINN 的均方误差（MSE）显著低于 NN，且与 AD-PINN 相当或略优（例如在 $N_{ini}=10$ 时，FDM-PINN 误差为 1.5629，AD-PINN 为 1.6450，NN 为 2.0133）。
- 计算时间：FDM-PINN 在 CPU 上的运行速度极快。虽然比纯 NN 慢约 5 倍，但比使用 GPU 的 AD-PINN 快约 5 倍（AD-PINN 单步迭代耗时 0.0478s，FDM-PINN 为 0.0097s）。
拉普拉斯方程 (Laplace's Equation)：
- 精度：FDM-PINN 在所有配点数量下均显著优于 NN 和 AD-PINN。例如在 $N_{ini}=30$ 时，FDM-PINN 误差为 3.6802，而 AD-PINN 为 4.8686，NN 为 4.8198。
- 鲁棒性：AD-PINN 在样本量从 50 增加到 100 时性能出现波动，而 FDM-PINN 表现更加稳定。
- 计算时间：FDM-PINN 在 CPU 上的计算效率略高于或等同于使用 GPU 的 AD-PINN。

5. 意义与局限性 (Significance & Limitations)

意义

去黑盒化：将 PINN 从依赖深度学习框架的黑盒自动微分中解放出来，使其更易于在嵌入式系统或无 GPU 环境中部署。
计算效率：证明了在低数据/低配点场景下，传统的数值方法（FDM）结合深度学习比纯自动微分方法更具计算优势。
跨领域启发：将电磁学中的 SOR 算法和图像处理中的拉普拉斯滤波器概念引入深度学习，为多物理场建模提供了新的思路。

局限性与未来工作

网格依赖性：FDM-PINN 要求配点必须定义在规则网格上，限制了其在非结构化网格或复杂几何形状上的直接应用（相比之下，AD 方法更灵活）。
梯度近似假设：在反向传播中假设 $\frac{\delta \Gamma}{\delta V}$ 为常数是一种近似，虽然实验有效，但理论上可能不够严谨。
未来方向：
- 引入马尔可夫随机场（Markov-random field）方法处理 PDE 求解器。
- 扩展架构至 2D 卷积神经网络（CNN）以处理更复杂的空间特征。
- 解决非结构化网格上的数值微分问题。

总结：该论文成功证明了利用有限差分法替代自动微分来构建 PINN 损失函数的可行性。FDM-PINN 不仅在计算速度上具有显著优势（尤其在 CPU 环境下），而且在低数据量条件下提供了更高的预测精度，为物理信息深度学习提供了一种轻量级、高效率的替代方案。