Eikonal Regularisation in Physics-Informed Neural Networks for Three-Dimensional Level-Set Advection: Transferability of Two-Dimensional Design Principles

想象一下，你正试图追踪一个在水箱中旋转的、隐形的、变形的颜料团。在现实世界中，这种情况经常发生：油与水的混合、火焰在火中的闪烁，或是云朵在天空中漂移。科学家们使用一种被称为“水平集方法”（level-set method）的巧妙数学技巧来绘制这些隐形的边界。他们并不是在色团周围画一条线，而是想象一个3D景观，其中色团的表面仅仅是地图上的“零”线。如果这张地图保持平滑且表现良好，计算机就能轻松预测色团下一步的去向。

然而，计算机在保持这些地图平滑方面表现得很糟糕。随着色团的扭曲和拉伸，地图会变得混乱，就像一张揉皱的纸，导致计算机开始丢失对色团形状或大小的追踪。为了解决这个问题，科学家们使用了“物理信息神经网络”（PINNs）。把它们想象成超级聪明的数字学徒，通过试错法学习流体运动的规则。它们尝试猜测地图，根据物理定律检查自己的工作，然后调整猜测以达到正确的结果。但问题在于：学徒需要一位老师来告诉他们，应该在多大程度上关注保持地图平滑，以及在多大程度上关注遵循流动。如果老师太严厉，地图会保持平滑但色团运动错误；如果老师太宽松，色团运动正确但地图会皱缩。寻找这种完美的平衡就是“秘方”，而这正是本文所研究的内容。

这是一篇对特定问题的深入探讨：适用于2D模拟（平面、扁平表面）的“秘方”配方，是否也适用于3D模拟（真实的体积空间）？作者 Muhammad Akbar Khan 通过四种不同的 3D 情景对这一问题进行了测试：一个仅在房间内滑动的球体、一个原地旋转的球体、一个带有缺口（类似于吃豆人形状）的球体，以及一个被拉伸成薄片后又恢复原状的球体。

研究表明，“秘方”并非放之四海而皆准的通用配方。事实上，对于“平滑度老师”的最完美设置完全取决于色团被挤压或拉伸的程度。当球体只是在不改变形状的情况下滑动或旋转时，老师需要相当严格（特定的设置值为 $10^{-1}$）。但当球体被拉伸成薄片时，老师几乎需要完全保持沉默（设置为 $10^{-5}$），因为在这种情况下，强迫地图保持平滑实际上是在强迫计算机在形状上撒谎。论文显示，如果你在没有检查的情况下直接将 2D 实验的设置复制粘贴到 3D 实验中，你可能会出错；有时可行，但有时误差会扩大三倍。

此外，论文还强调了计算机实验中一个隐藏的危险：随机性。如果你只运行一次模拟，你可能会运气好或运气差。通过使用不同的随机种子运行相同的测试 18 次，作者发现，如果没有正确的“平滑度”设置，结果会在每次运行之间剧烈波动。正确的设置不仅能让答案更准确，还能让答案具有“可重复性”，确保如果你再次运行实验，你会得到相同的结果。

最后，论文将这些神经网络学徒与一位经验丰富的经典计算机求解器（高阶 WENO 方案）进行了对比。结果很诚实：在简单的平滑流场中，经典求解器仍然是冠军，以巨大的优势领先于神经网络（准确度高出多达 100 倍）。然而，随着形状变得更加复杂和扭曲，这种差距正在缩小。神经网络目前还不是处理简单工作的最快或最准确的工具，但它拥有独特的超能力：它不需要依赖网格，可以在时间上连续工作，并且不需要在形状改变时重新学习。论文总结道，虽然我们还没有解决取代经典方法的问题，但我们已经准确掌握了如何调节这些神经网络以确保它们不会失败，并且我们证明了，在没有经过测试之前，你不能假设 2D 的技巧在 3D 中同样适用。