S$^{2}$-PINN: Stochastic Separable Physics-Informed Neural Networks

在工程学和气候科学领域，预测未来很少是一个关于简单确定性的问题。当科学家们模拟热量如何在金属梁中传播、水如何通过土壤过滤或空气如何围绕飞机机翼旋转时，他们必须考虑到输入值永远不会是完全已知的。某种材料可能在某个地方稍微粗糙一些，或者风可能比预期吹得稍强一点。这些微小的、随机的变化会通过方程产生涟漪，从而创造出一个巨大的可能结果云，而非一个单一的、固定的答案。为了了解风险，工程师不仅需要知道最可能的结果，还需要知道整个可能性的范围以及每种结果发生的概率。这个被称为“不确定性量化”的领域，对于设计安全的桥梁、可靠的医疗设备和准确的气候模型至关重要。然而，计算这些概率在历史上一直是一项艰巨的任务。传统方法通常需要将同一个复杂的模拟运行数千次，每次都带有略有不同的随机输入，以构建出一幅全貌。随着不确定因素数量的增加，所需的计算能力会呈爆炸式增长，使得许多现实世界的问题因现有的工具过于昂贵而无法解决。

莱希大学（Leach Lehigh University）的一个研究小组引入了一种新方法，通过从底层开始改变构建方案的方式，解决了这一计算瓶颈。他们开发了一个名为 S2-PINN 的系统，全称为“随机可分离物理信息神经网络”（Stochastic Separable Physics-Informed Neural Network）。该方法并没有将问题视为一个空间、时间和随机性全部交织在一起的巨大、纠缠的网络，而是将解决方案分解为三个截然不同的、易于处理的部分。想象一下，将解视为一幅挂毯；研究人员并没有将每一根代表颜色、时间和位置的线索都编织成一个单一、致密的块，而是将这些线索分成了三个清晰的束：一束用于物理空间，一束用于时间的流逝，另一束用于随机变化。然后，这些束被使用一种特定的、高效的模式重新编织在一起，从而保持总线索量较低。这种分离使得计算机能够处理随机性，而不至于被庞大的计算量所困扰。

这个新系统的核心是三个专业工具和谐协作的巧妙组合。首先，它使用一组灵活的构建模块来描述空间中的解的形状，以适应问题的几何结构。其次，它采用一组有节奏的特征来追踪解随时间的变化，类似于音乐家如何使用一组音符来描述一段旋律。第三，也是对不确定性部分最为关键的一点，它使用一个由标准形状组成的数学库来表示随机变化。这三组工具通过一个紧凑的低秩连接器（low-rank connector）链接在一起，确保它们同步工作，而不需要为空间、时间和随机性的每一种组合都进行单独的大规模计算。该系统通过一个双重过程进行训练：它既检查解在每一点是否遵循基本的物理定律，同时也确保随机性的统计模式符合预期行为。这种双重检查就像是一个严格的质量控制，迫使模型既具备物理上的准确性，又具备统计上的可靠性。

当研究人员使用各种具有挑战性的问题测试这种新方法时，结果令人瞩目。他们在四种不同类型的物理系统中运行了模拟，包括热扩散、流体流动和化学反应的模型，所有这些系统都带有随机输入。在每种情况下，新方法对平均结果和可能结果分布的预测都比其他九种领先的方法更准确。它在实现这种高精度水平的同时，使用了显著更少的计算资源；在一次对比中，新模型使用的可调节参数大约是标准传统神经网络的三十分之一。这种效率至关重要，因为这意味着该方法可以扩展到具有更多随机因素的问题，而不会导致计算机崩溃。研究人员将系统推向极限，使用多达五十个不同的随机变量进行测试，这种复杂程度通常会压垮标准方法。即使在这些极端测试中，该方法依然保持了稳定和准确。

该研究还探讨了这种方法是否可以应用于那些无法预先知晓答案的问题，例如预测渗透率不可预测的岩石中的水流。在这里，该方法再次表现优于传统技术，为平均流量和其不确定性提供了可靠的估计。此外，研究人员证明了该系统可以进行逆向操作。它不仅仅是预测已知条件下的结果，还可以通过观察到的数据向后追溯，以弄清楚材料本身隐藏的随机属性。这种解决“逆问题”的能力，为识别现实场景中未知的材料属性（如检测基础设施中的缺陷或表征地下储层）打开了大门。

其中一个最重要的发现是该方法如何处理随机性与物理学之间的关系。研究人员发现，当随机变化遵循平滑、可预测的模式时，模型的统计部分起到了强大的引导作用，提升了预测的精确度。然而，他们也发现，如果随机性极其紊乱，或者遵循一种不符合模型所用标准形状的模式，统计引导有时会引入轻微的偏差。这并不是系统的失败，而是一个明确的信号，表明需要调整随机性的性质，或者需要扩展模型的形状库。这种透明度使工程师能够在问题变成实际问题之前诊断出潜在问题，而这正是许多“黑箱”AI模型所缺失的特性。

这项工作代表了我们思考如何解决复杂物理问题并应对不确定性的转变。通过将空间、时间和随机性视为既独立又相互关联的成分，研究人员创建了一个既在数学上优雅又在计算上高效的框架。它不依赖于大量的预收集数据，也不需要通过成千上万次模拟进行的暴力重复。相反，它直接从物理定律和随机性的本质中学习问题的结构。虽然该方法并非解决所有问题的“魔杖”，但它为广泛的科学和工程挑战提供了一个稳健且可扩展的工具。研究人员已将其代码向公众开放，邀请他人在此基础上进行开发。随着世界面临日益复杂的能源、气候和材料科学挑战，高效且准确地量化不确定性的能力将变得愈发关键，而这种新方法提供了一条充满希望的前行之路。