Consistent CutPINNs for Elliptic PDEs on Curved Level-Set Domains

技术摘要：适用于弯曲水平集域上椭圆偏微分方程的一致 CutPINN

问题陈述
物理信息神经网络（PINN）提供了一种无网格方法来求解偏微分方程（PDE），使其天然适用于由水平集函数隐式定义的域。然而，标准的 PINN 公式在应用于二阶椭圆问题时存在理论上的不一致性。标准损失函数在 $L^2(\partial\Omega)$ 范数下惩罚边界不匹配。虽然椭圆问题的适定性由 $H^1(\Omega)$ 能量范数控制，但相关的先验估计要求对 $H^{1/2}(\partial\Omega)$ 分数阶索伯列夫空间中的边界残差进行控制。由于嵌入 $H^{1/2}(\partial\Omega) \subset L^2(\partial\Omega)$ 是严格的，最小化标准的 $L^2$ 边界损失并不能保证最小化 $H^1$ 误差。这种差异允许出现高频振荡，这些振荡在配置点处消失但具有较大的 $H^{1/2}$ 半范数，导致收敛率低和稳定性差，特别是在“切割单元”（cut-cell）配置中，即域边界与采样网格相交的情况。

Bonito 等人 [4] 之前的工作通过引入“一致”损失函数解决了这一问题，该函数通过离散代理近似 $H^{1/2}(\partial\Omega)$ 范数。然而，他们的构造依赖于平坦边界面（特别是单位立方体上的）的 Kuhn–Tucker 单纯形分解以及这些面的仿射结构。这种方法无法扩展到由水平集函数定义的平滑弯曲边界，从而在一致 PINN 对一般弯曲域的理论及实际应用方面留下了空白。

方法论
本文提出了一致 CutPINN框架，专门设计用于有界二维域 $\Omega = \{x \in \mathbb{R}^2 : \phi(x) < 0\}$，其中 $\phi$ 是 $C^2$ 水平集函数。核心方法论涉及直接从弯曲边界上的配置点构建 $H^{1/2}(\partial\Omega)$ 范数的离散代理，而无需底层的有限元网格或单纯形分解。

1. 离散范数构建：作者定义了一个离散 $H^{1/2}$ 范数，使用配置点 $Z = \{z_1, \dots, z_m\} \subset \partial\Omega$ 上内蕴 Gagliardo 半范数的双求和离散化。核函数使用环境欧几里得距离 $|z - z'|$ 而非弧长距离。
2. 理论基础：该框架依赖于弦 - 弧引理（引理 1），该引理确立了对于 $C^2$ 曲线，欧几里得弦距离与弧长距离是可比的。这种等价性使得作者能够证明离散代理与连续 $H^{1/2}(\partial\Omega)$ 迹范数之间的双向范数等价性（定理 3），前提是边界点在弧长上是等距的（或拟均匀的）。
3. 损失函数：定义了两个一致损失函数：
   • $L^*_{sq,2}$：使用标准的 $L^2$ 内部残差和新的离散 $H^{1/2}$ 边界残差。
   • $L^*_{sq,\gamma}$：使用 $L^\gamma$ 内部残差（其中 $\gamma \to 1$）以更好地近似 $H^{-1}$ 范数，并结合离散 $H^{1/2}$ 边界项。
4. 最优恢复：该框架在贝索夫（Besov）正则性假设下的最优恢复理论中进行了分析。作者推导了一个先验 $H^1$ 误差界（定理 7），表明最小化一致损失以最优恢复速率控制了 $H^1$ 误差。

主要贡献

• 扩展到弯曲域：本文弥合了一致损失函数与隐式定义的弯曲边界之间的空白。它证明了在 $C^2$ 曲线上基于欧几里得距离构建的离散 $H^{1/2}$ 范数与连续迹范数范数等价，从而消除了对平坦面单纯形分解的依赖。
• 先验误差界：作者为一致 CutPINN 框架建立了严格的先验 $H^1$ 误差界。该界通过弦 - 弧常数依赖于边界的最大曲率，并在贝索夫正则性下实现了最优收敛速率。
• 对切割单元配置的鲁棒性：理论分析和数值实验表明，与标准 PINN 相比，一致损失对域相对于采样点的位置具有显著更强的鲁棒性。
• 概率鲁棒性：本文包含一个概率分析（命题 4），表明即使在独立同分布（i.i.d.）蒙特卡洛边界采样下，离散半范数也会围绕其均值集中，这表明该方法的有效性不仅限于严格等距采样。

结果
数值实验在圆盘（凸）和非凸花朵域（五重对称）上使用制造解进行。

• 精度：一致损失 $L^*_{sq,2}$ 始终优于标准 PINN 损失（$L_{sq,1}$）。在圆盘上，它在高分辨率下实现了低 4.9 倍的 $H^1$ 误差；在花朵域上，改进因子达到了 8.1 倍。
• 收敛速率：标准损失在次优误差水平上饱和（斜率 $\approx -0.31$），因为 $L^2$ 边界项未能控制 $H^{1/2}$ 迹。相比之下，一致损失 $L^*_{sq,2}$ 达到了预测的最优收敛斜率 $\approx -0.49$（与理论值 $-0.50$ 匹配）。
• 稳定性：在“移动圆盘”实验中，域中心移动了 121 次，标准损失表现出高方差和偶尔的发散（误差尖峰）。一致损失 $L^*_{sq,2}$ 将误差的标准差降低了 26 倍，并在 121 种配置中的 120 种中保持稳定。
• 非均匀采样：即使边界点通过 i.i.d. 蒙特卡洛采样（违反了主定理的等距假设），与标准损失相比，一致损失仍将 $H^1$ 误差降低了 3.9 倍。

意义
本文声称，一致 CutPINN 提供了第一个将一致损失函数与隐式定义的弯曲域相结合的框架。通过证明基于欧几里得距离构建的离散 $H^{1/2}$ 代理与 $C^2$ 曲线上的连续迹范数等价，该工作验证了在复杂几何形状的无网格设置中使用一致损失的可行性。结果表明，解决损失函数中的范数不匹配对于实现 PINN 的最优收敛速率和鲁棒性至关重要，特别是在解表现出边界层或高频振荡时。作者指出，由于弦 - 弧引理依赖于全局弧长参数化，当前的分析仅限于 $d=2$，将扩展到三维和带角点的域留作未来工作。