技术摘要：PINNsur

问题陈述

嵌入在 $\mathbb{R}^3$ 中的弯曲二维曲面上的偏微分方程（PDE）是几何处理、物理模拟和科学计算的基础。标准方法有限元法（FEM）将曲面离散化为几何单元（通常是三角形）。尽管 FEM 提供了理论上的收敛保证，但它对网格质量敏感，需要细致的细化处理，并且在处理复杂拓扑或低质量三角剖分时面临困难。

物理信息神经网络（PINNs）作为一种无网格替代方案应运而生，它通过可微神经网络逼近解。然而，现有的 PINN 框架通常在平坦欧几里得域（$\mathbb{R}^d$）上运行，缺乏针对弯曲曲面的稳健方法。近期将 PINN 扩展到曲面的尝试通常依赖于参数化映射（例如将球面映射到曲面），这限制了其仅适用于特定拓扑（例如亏格为 0 的曲面），并引入了离散化误差。此外，尽管 PINNs 显示出实证成功，但缺乏关于其收敛至真实解的系统性证据和理论理解，特别是当函数逼近和曲面的几何逼近必须同时收敛时。

方法论：PINNsur

作者提出了 PINNsur，这是一个用于在任意弯曲流形上求解 PDE 的框架，无需参数化域或显式网格离散化。其核心创新在于使用仅法向量的神经场来构建曲面微分算子。

1. 曲面算子构建

PINNsur 不是对曲面 $\Omega$ 进行参数化，而是利用曲面法向量 $\mathbf{n}$ 将欧几里得算子投影到切平面上，从而定义曲面微分算子。

• 曲面梯度： $\nabla_\Omega u = \nabla_{\mathbb{R}^3} u - (\nabla_{\mathbb{R}^3} u \cdot \mathbf{n})\mathbf{n}$
• 曲面散度： $\nabla_\Omega \cdot \mathbf{F} = \nabla_{\mathbb{R}^3} \cdot \mathbf{F} - \mathbf{n}^T J(\mathbf{F}) \mathbf{n}$
• 拉普拉斯 - 贝尔特拉米算子： $\Delta_\Omega u = \nabla_{\mathbb{R}^3} \cdot (\nabla_\Omega u) - \mathbf{n}^T J(\nabla_\Omega u) \mathbf{n}$

只要已知法向量场 $\mathbf{n}$，这种公式化使得拉普拉斯 - 贝尔特拉米算子可以通过标准坐标网络 $u_\theta: \mathbb{R}^3 \to \mathbb{R}$ 上的自动微分来计算。

2. 网络架构

该框架采用两个不同的神经网络：

• 法向量网络（$\hat{n}_\theta$）： 一个 Siren 网络（带有正弦激活函数的多层感知机），训练用于逼近曲面 $\Omega$ 上任意点的曲面法向量场 $\mathbf{n}$。对于给定为网格的曲面，该网络学习平滑分段常数的网格法向量。对于诺伊曼（Neumann）边界条件，一个独立的网络学习边界法向量 $\mathbf{\nu}$。
• PDE 网络（$u_\theta$）： 一个坐标网络，用于求解目标 PDE（例如泊松方程或亥姆霍兹方程）。它利用预训练的法向量网络，通过上述投影公式计算拉普拉斯 - 贝尔特拉米算子。

3. 训练与损失

PDE 通过最小化由以下部分组成的损失函数来求解：

• PDE 残差： 方程残差的平方 $L_2$ 范数（例如 $\|\Delta_\Omega u_\theta - f\|_2^2$）。
• 软边界约束： 狄利克雷（Dirichlet）条件（$\|u_\theta - g\|_2^2$）和诺伊曼条件（$\|\nabla_\Omega u_\theta \cdot \mathbf{\nu} - h\|_2^2$）的惩罚项。

该方法支持任意流形拓扑，包括封闭曲面（无边界）和具有复杂边界的曲面，前提是法向量场是连续的。

主要贡献

1. PINNsur 框架： 一种使用仅法向量的神经场求解曲面 PDE 的简单、无参数化方法。它消除了对参数化映射的需求，从而支持任意拓扑。
2. 实证收敛准则： 作者引入了一个 PINN 收敛的系统性测试。类似于 FEM 中误差随单元数量增加而减小的情况，该准则提出 PINN 误差应随着可调权重数量（#W）的增加而减小。收敛性在实证上定义为误差与 #W 的对数 - 对数图中斜率为负。
3. 系统性收敛研究： 本文提供了广泛的实证证据，证明 PINNsur 在各种 PDE（泊松、亥姆霍兹、热方程）、边界条件（狄利克雷、诺伊曼、无边界）和几何形状下均收敛于真实解。

结果

作者将 PINNsur 与 FEM 和其他 PINN 基线进行了验证：

• 收敛行为： 实验表明，随着网络宽度（即 #W）的增加，相对 $L_2$ 误差系统地减小。收敛率（根据问题不同，斜率在 -0.3 到 -1.4 之间）与 FEM 相当或更优，且显著优于使用 tanh 或 ReLU 激活函数的标准 PINNs。
• 与基线的比较：
  • 与 FEM 相比： 对于可比的自由度，PINNsur 实现了与 FEM 相似的收敛率，但对网格质量的敏感度更低。
  • 与参数化 PINNs 相比： 与 Williamson 和 Mitra [2025] 的工作相比，PINNsur 实现了更低的误差，并适用于任意拓扑，而参数化方法仅限于同胚于球面的曲面。
  • 与标准 PINNs 相比： 在相同的细化策略下，标准 PINNs（例如 Kharazmi 等人、Yu 等人）未能收敛，这归因于 Siren 架构卓越的逼近高频信号的能力。
• 应用： 该方法成功解决了以下问题：
  • 平均曲率流： 模拟曲面演化。
  • 热测地线： 通过热方程计算测地距离。
  • 极小曲面： 从圆柱体恢复悬链面。
  • 调和插值： 用狄利克雷边界条件填充曲面中的孔洞。

意义与局限性

本文声称，PINNsur 通过提供一种具有已证明收敛性质的无网格、拓扑无关求解器，填补了几何计算中的一个关键空白。它确立了如果几何逼近（法向量）得到正确处理且网络容量得到充分细化，PINNs 可以成为曲面 PDE 的可靠求解器。

局限性：

• 如果曲面具有不连续的法向量场（例如具有诺伊曼边界的尖角），该方法将失效。
• 如果解 $u$ 包含极高频率或函数范围过大，则无法保证收敛。
• 虽然是无网格的，但训练计算成本可能高于 FEM，且该方法尚未提供理论收敛界，而是依赖于实证证据。

作者最后指出，虽然他们目前的工作是实证性的，但未来的方向包括基于神经网络表达能力和缩放定律推导理论收敛界。