A user's guide to PINNs in geometric analysis: lessons from the asymptotic Plateau problem

技术摘要：几何分析中 PINN 的用户指南

问题陈述
本文研究了双曲空间 $\mathbb{H}^{n+1}$ 中的渐近 Plateau 问题：即确定位于无穷远球面的闭子流形 $M^k$ 是否界定了一个完整的、恰当浸入的极小子流形。具体而言，作者关注的是在 $\mathbb{H}^4$ 中以给定纽结 $K \subset S^3$ 为边界的曲面。虽然 Anderson 定理保证了面积极小解的存在性，但完整解空间的结构仍然非常复杂。作者旨在通过数值方法构造出渐近于给定纽结的近极小圆盘，以验证 Joel Fine 的一个猜想，该猜想认为这些极小曲面的有符号自交计数与 HOMFLY 多项式的系数之间存在某种联系。

方法论：物理信息神经网络（PINN）框架
本笔记并非回顾几何结果（详见配套预印本 arXiv:2605.26234v2），而是侧重于使 PINN 方法对这一特定几何分析问题变得可行的方法论框架。作者确定了决定该方法成功的两个关键支柱：

1. 硬约束架构（编码几何特性）：

   • 挑战： 标准 PINN 最小化内点 PDE 残差与边界惩罚项的加权和。这种方法在此处会失效，因为边界位于无穷远处（此处度量退化），且在边界与内部精度之间平衡权重（$\lambda$）极其脆弱。此外，通用网络必须“学习”已知的正则性性质（例如与无穷远边界的正交相交），这会浪费计算容量。
   • 解决方案： 模型架构被设计为对所有可学习参数 $\theta$ 都能精确满足边界条件和渐近性质。
     • 映射 $u_\theta$ 被构造为一个复合函数：$u_\theta = (\rho e^{NN_X}, \text{ext}(\gamma) + \rho^k NN_Y)$。
     • $\rho$ 是一个定义边界的函数（在 $\partial D^2$ 处消失），确保其图像位于 $\mathbb{H}^4$ 内，并精确地在无穷远处的纽结上方达到边界。
     • $\text{ext}(\gamma)$ 是纽结 $\gamma$ 的立体双调（stereobiharmonic）扩张。这一选择确保了扩张是光滑的，并满足渐近极小性所要求的 Neumann 条件（正交性）。
     • 结果： 边界项从损失函数中完全移除。网络仅学习内部扰动，且损失函数变为仅编码极小性条件（张量场消失）的单分量项。

2. 工程化残差评估（计算效率）：

   • 挑战： 评估二阶 PDE 的损失需要模型的阶导数。目前的实现使用嵌套反向模式自动微分（AD），在每个优化步骤中重新构建计算图。这在计算上是极其昂贵的，尤其是在 CPU 上，由于构建图的开销占据了主导地位。
   • 解决方案： 作者使用自定义的编译流水线取代了标准的 AD：
     • 二阶 Jet 的前向传播： 不再使用 AD 来计算空间导数，而是通过泰勒模式（Taylor-mode）利用前向模式微分规则，在网络层之间显式传播二阶 Jet（值、Jacobian、Hessian）。这避免了为空间导数构建“图之图”。
     • 静态编译： 整个残差评估流水线（Jet 传播、度量代数、残差计算）被统一编译为一个静态计算图（使用 torch.compile）。训练循环被设计为形状静态（固定 Batch Size、固定配置点），以防止重复编译。
   • 结果： 这些改进使得在相同硬件（笔记本 CPU）上，单步训练成本降低了 40–50 倍，使得训练数十个模型在没有集群资源的情况下变得可行。

关键结果与性能

• 精度： 该框架成功为各种纽结（平凡结、环面纽结、八字结等）生成了近极小圆盘。数值计算出的有符号自交计数与 HOMFLY 多项式的系数一致，证实了 Fine 的猜想。
• 效率：
  • 基准： 在笔记本 CPU 上，嵌套反向模式 AD 每步耗时约 427 ms（Adam 优化器）。
  • 优化后： 前向二阶 Jet 结合静态编译每步耗时约 8.6 ms。
  • 精度要求： 作者强调了使用**双精度（float64）**的必要性。单精度会导致二阶导数计算中的舍入误差，使残差在 $10^{-4}$ 附近饱和，从而无法达到拓扑分析所需的精度。
• 鲁棒性： 硬约束设计确保了残差在训练开始前就在边界处消失，从而允许优化器仅专注于内部椭圆区域。

意义与主张
本文将自身定位为几何结果的方法论伴随文档。其主要贡献不在于提出了新的几何定理，而在于为将 PINN 应用于此类几何变分问题提供了一套实践指南，即在以下情况下：

1. 约束可以参数化： 边界条件和渐近性质应构建在模型架构中，而非通过损失函数进行惩罚。
2. 正则性已知： 已知的解行为（例如多项式齐次展开）应被编码进 Ansatz（假设形式）中。
3. 微分过程需工程化： 对于低维域，显式的前向模式 Jet 传播结合静态编译，其表现远优于嵌套的反向模式 AD。

作者声称，如果没有这些特定的方法论选择，对 [18]（配套论文）的研究将难以在标准硬件上完成，要么需要集群支持，要么会彻底失败。本笔记旨在降低其他微分几何研究者部署 PINN 于类似问题的“激活能”，强调 PINN 应用的成功与否，往往取决于这些未记录的实现细节，而非仅仅取决于网络架构本身。