技术摘要：学习具有余链框架等变性的物理场离散黎曼度量

问题陈述

定义在网格上的物理场（例如流体压力、电磁通量、涡度）表现出一种基本的二元性：其守恒定律和拓扑恒等式（如 $\nabla \times \nabla \phi = 0$ 或 $\nabla \cdot (\nabla \times A) = 0$）是精确的，且仅由网格的包含结构（拓扑）决定。相反，几何属性、材料响应、各向异性耦合以及依赖于曲率的传播则是领域特定的，必须从数据中学习。

现有的神经代理模型通常在无约束的消息传递架构中将这些角色混为一谈。通过将所有交互视为可学习的，这些模型难以保持精确的拓扑恒等式（例如余链复形条件 $d^2=0$），并且往往无法在变化的几何形状或网格分辨率之间进行泛化。核心挑战在于设计一种能够严格分离固定拓扑约束与可学习几何参数，同时尊重物理场固有对称性的神经架构。

方法论：黎曼霍奇消息传递 (RHMP)

作者提出了 黎曼霍奇消息传递 (RHMP)，这是一种将拓扑与几何的分离作为设计原则进行形式化的神经架构。

1. 拓扑-几何分解

RHMP 基于离散外微分 (DEC) 和有限元外微分 (FEEC) 构建。它将物理场表示为细胞复形上的余链 (cochains)：

• 0-余链： 顶点上的标量场（例如压力）。
• 1-余链： 有向边上的通量/环量场。
• 2-余链： 面上的强度场（例如涡度）。

该架构固定了上边界算子 (coboundary operators) ($d_k$)，这些算子完全由定向的包含关系决定。这些算子强制执行精确的拓扑恒等式，特别是余链复形恒等式 $d_{k+1}d_k = 0$（离散形式的 $\nabla \times \nabla = 0$ 和 $\nabla \cdot (\nabla \times) = 0$）。

RHMP 不学习算子本身，而是学习离散黎曼度量 ($H_k$)。这些是作用在余链空间上的对称正定 (SPD) 矩阵。$H_k$ 定义了内积 $\langle x, y \rangle_{H_k} = \text{tr}(x^\top H_k y)$，从而有效地学习几何、材料属性和各向异性耦合。

2. 消息传递算子

核心消息传递层是一个度量加权的霍奇块 (metric-weighted Hodge block)。对于 $k$-余链特征 $x_k$，该算子计算：
$$L^H_k x_k = d_{k-1} H^{\downarrow}_{k-1} d^\top_{k-1} x_k + d^\top_k H^{\uparrow}_{k+1} d_k x_k$$
这里，$d_k$ 将特征提升到下一个余链空间，$H_{k+1}$ 对其进行加权（学习几何），而 $d^\top_k$ 将其投影回原空间。这种结构确保了只要 $H_k \succ 0$，生成的算子就是半正定的，从而保证了非负的霍奇能量。

3. 余链框架等变性 (Cochain-Frame Equivariance)

一个关键的创新是强制执行余链框架等变性。余链的隐藏特征存在于维度为 $C$ 的辅助通道空间中。作者认为，物理传播对于通道空间中的正交基变换 ($R \in O(C)$) 应该是保持不变的。

• 机制： 度量预测器 $H_k$ 仅由 $O(C)$-不变的统计量（例如特征的范数和内积）构建。
• 非线性： RHMP 使用形式为 $\sigma_{\text{gate}}(m) = g(\|m\|)m$ 的范数门控非线性。这确保了如果输入特征被旋转 $R$，输出也将被旋转 $R$，从而在不改变物理传播的情况下保持表示。

4. 对称性保证

通过固定 $d_k$ 并学习具有特定约束的 $H_k$，RHMP 保证了：

• 精确拓扑： 通过构造保证 $d^2=0$ 严格成立，且独立于训练。
• 正定性： 霍奇算子是半正定的，确保了稳定的能量动力学。
• 规范不变性： 对于阿贝尔规范场（表示为 1-余链 $A$），曲率观测值 $F = dA$在规范平移$A \mapsto A + d\lambda$下是精确不变的，因为$d(d\lambda) = 0$。
• 空间等变性： 该架构通过使用几何不变量（距离、面积）作为度量预测器的输入，尊重欧几里得对称性 ($E(n)$)。

主要贡献

1. 以度量为中心的公式化： 本文将学习网格上的物理场重新定义为在余链上学习离散黎曼度量 ($H_k$)，同时保持上边界映射 ($d_k$) 固定。这明确分离了拓扑、几何和守恒定律。
2. 余链框架对称性定理与架构： 作者证明了通过强制执行 $H_k \succ 0$、$H_k$ 在度量预测中的 $O(C)$-不变性以及空间输入的 $E(n)$-不变性，可以获得非负能量、半正定算子和余链框架等变的消息传递。他们提供了一个直接实现这些条件的构造性架构 (RHMP)。
3. 规范场后果与经验验证： 该框架自然地继承了对阿贝尔曲率的精确不变性。实验表明，RHMP 在涵盖流体力学、电磁学和规范理论的七个基准测试中，优于 12 种基线模型（包括图神经网络、细胞复形网络、规范等变 CNN 和神经算子）。

实验结果

RHMP 在七个任务上进行了评估：

1. 纳维尔-斯托克斯涡度 (Navier-Stokes Vorticity)： 结构化网格预测。RHMP 优于傅里叶神经算子 (FNO) 及其他基线，证明了即使在规则网格上，霍奇分解也是有益的。
2. 环面平流扩散 (Torus Advection-Diffusion)： 非平凡拓扑上的标量输运。
3. 椭球体表面流 (Ellipsoid Surface Flow)： 需要 $E(n)$-等变的向量读出。
4. 麦克斯韦-泊松静电学 (Maxwell-Poisson Electrostatics)： 强制执行无旋电场 ($\nabla \times E = 0$)。
5. U(1) Wilson 环 (U(1) Wilson Loop)： 测试精确的阿贝尔曲率不变性。RHMP 实现了近乎完美的 SSIM (0.993)，并显著优于未强制执行精确 $d^2=0$ 的基线。
6. SU(2) 杨-米尔斯 (SU(2) Yang-Mills)： 测试微分项 ($dA$) 与非线性对易子 ($[A, A]$) 的耦合。
7. AirFANS (可变网格 CFD)： 在不同样本非结构化网格上的泛化。RHMP 实现了最佳性能，由于其具有网格不变的可训练权重，成功实现了在不同规模和连接性网格间的迁移。

主要发现：

• RHMP 在所有七个任务中均取得了最佳表现。
• 在拓扑、学习几何和场结构相互作用的任务中（如规范场），增益最为显著。
• 消融研究证实，固定 $d_k$ 和使用范数门控非线性对于保持拓扑恒等式 ($d^2=0$) 和余链框架等变性至关重要。移除这些约束会导致结构诊断指标（如 $\|d^2\|_F$）下降数个数量级，即使逐点精度仍然很高。
• RHMP 可高效扩展至大规模网格（10 万个单元），具有近乎线性的时间复杂度，且内存使用量远低于密集的细胞复形基线。

意义与主张

本文声称 RHMP 建立了一种新的物理代理架构范式：固定拓扑，学习几何。

• 理论意义： 它提供了一个严谨的数学框架（定理 1），将度量学习与物理守恒定律及对称属性联系起来。它证明了强制执行余链框架等变性对于学习独立于任意特征基选择的几何传播是必要的。
• 实际意义： 通过将网格连接性（拓扑）与学习参数（几何）解耦，RHMP 使模型能够在不同的网格分辨率和连接性之间进行泛化，这是计算流体力学 (CFD) 和工程设计中的关键要求。
• 范围： 作者将 RHMP 定位为一种“基于网格的物理场”学习方法。他们明确指出，虽然它能精确处理阿贝尔规范场，但未来仍需工作来将度量层扩展到完整的非阿贝尔规范协变性（群值传输）。该方法被呈现为一种用于加速工程和物理模拟的代理建模工具，而非通用的图学习框架。

论文总结道，将拓扑约束与几何学习分离可以产生一致的性能提升，特别是在守恒定律和规范结构至关重要的领域。