FPINN: A proper orthogonal decomposition-assisted fourier-gradient physics-informed neural network for navier-stokes equations and flow reconstruction

想象一下，试图预测河流如何绕过岩石，或者风如何围绕摩天大楼旋转。几十年来，科学家们一直使用强大的计算机来求解“纳维-斯托克斯方程”（Navier-Stokes equations），这是一套描述水或空气等流体如何运动的复杂数学规则。你可以把这些方程看作是流体运动的终极规则手册。然而，求解这些方程就像是在潮汐上涨时，试图数清沙滩上的每一粒沙子；这极其缓慢、昂贵，并且需要海量的计算能力。

现在，出现了一种更现代、更亮眼的工具，叫做物理信息神经网络（Physics-Informed Neural Networks，简称 PINNs）。如果说传统的计算机像是一个严谨的会计师，在逐一核对每一个数字，那么 PINNs 就像是一个超级聪明的学生，因为他们太了解游戏的规则了，以至于不需要检查每一个步骤就能猜出答案。但即使是这个聪明的学生也会遇到困难。他们有时会遇到“谱偏差”（spectral bias），这是一种形象的说法，指他们擅长观察大而慢的波浪，却对微小、快速的涟漪和剧烈的转向视而不见。他们有时还会发生“质量泄漏”，这意味着他们可能会预测出水凭空出现或消失，这违反了物理定律。

这篇论文介绍了一个升级版的学生：FPINN。这是一个“傅里叶梯度物理信息神经网络”（Fourier-gradient Physics-Informed Neural Network），它配备了一副特殊的眼镜和一个记忆辅助工具。这副眼镜是“傅里叶特征”（Fourier features），帮助学生清晰地看到那些微小、快速的涟漪。记忆辅助工具是“本征正交分解”（Proper Orthogonal Decomposition，简称 POD），这种技术能帮助学生忽略那些枯燥、重复的部分，转而专注于最重要的能量模式。研究人员在一些经典的流体难题上测试了这种新方法，比如水流过旋转圆柱体，以及空气在带有移动顶盖的盒子中旋转。他们发现，FPINN 在预测这些流动方面表现得更好，尤其是在水流快速且具有混沌性时，它能保持物理规则的严密性和预测的准确性。

问题所在：“模糊的眼镜”与“漏水的桶”

长期以来，科学家们一直依赖传统方法来模拟流体流动。这些方法就像是在河流上方建立一个由无数微小方格组成的巨大网格，并计算每一个方格内的水流速度。虽然准确，但这非常耗时且需要超级计算机。近年来，一种名为物理信息神经网络（PINNs）的新方法出现了。PINNs 不再使用网格，而是使用一种神经网络（一种人工智能类型）来学习流动。这就像是教机器人通过理解河流的规则来理解河流，而不是强迫它去数每一滴水。

然而，标准的 PINNs 有两个重大缺陷。首先，它们存在“谱偏差”。想象一下你在画一幅风暴的画。标准的 PINN 可能会完美地画出巨大的黑云，却会错过细小、快速的雨滴和闪电的锐利边缘。它难以处理高频细节。其次，它们有时会违反质量守恒定律。在真实的河流中，水不会凭空消失或出现；它只是从一个地方流向另一个地方。标准的 PINNs 有时会发生“泄漏”，预测水在一个地方消失并在另一个地方重新出现，这使得模拟在物理上是不可能的。

解决方案：专家团队

该论文的作者 Qiancheng Tan 及其团队决定构建一个更好的版本。他们创建了一个名为 FPINN（傅里叶梯度物理信息神经网络）的框架，但他们并未止步于此，还为它配备了一个强大的助手——POD（本征正交分解）。

把流体流动想象成一场混乱的舞会。那里有成千上万的人（流体粒子）在进行复杂的运动。

• POD 就像是一位舞蹈教练，观察着舞会并说道：“忘掉每个人细微的旋转吧。我们只需关注每个人都在做的三个主要动作。”它剥离了噪声，只保留了“主导能量模态”——即最重要的运动模式。这使得 AI 面临的问题变得简单得多。
• 傅里叶特征映射（Fourier Feature Mapping） 就像是给了 AI “高清晰度眼镜”。标准的 AI 看到的往往是低分辨率的世界，会错过锐利的细节。通过将数据输入到一个特殊的数学滤波器（傅里叶特征）中，AI 突然就能看清那些它以前会错过的微小、快速的涟漪和剧烈的梯度变化。
• 梯度惩罚（Gradient Penalties） 扮演着严格裁判的角色。如果 AI 开始预测水在凭空泄漏或出现，裁判就会吹响哨子，强制 AI 立即纠正错误，确保物理定律永远不会被破坏。

训练过程：从错误中学习

训练这个新的 AI 不仅仅是喂给它数据，更重要的是教它如何学习。研究人员使用了一种被称为 SoftAdapt 的聪明策略。想象一下你正在为考试做准备。你有三门学科：数学、历史和科学。如果你在数学方面成绩很差，但在历史方面成绩很好，那么你的老师（AI 的训练系统）就应该把更多的时间花在数学上。

在 FPINN 系统中，“损失”（loss）是衡量 AI 错误程度的分数。如果 AI 在预测压力方面犯了大错，SoftAdapt 系统就会注意到“数学成绩”很低。它会自动增加压力规则的权重，告诉 AI：“嘿，多注意一下这个部分！”这种动态平衡的过程防止了 AI 陷入停滞或忽视困难的部分。

他们还使用了一种带有“变体”的 拉丁超立方采样（Latin Hypercube Sampling） 策略。他们并没有只是随机选择流体中的点进行检查，而是确保在流动变化最剧烈的墙壁和边界附近选取额外的点。这就像是一个侦探，知道最重要的线索通常就在犯罪现场附近，所以他会在那里格外仔细地检查。

实验结果：从平静的水池到湍流风暴

团队将新的 FPINN 应用于三个著名的流体问题，以测试其效果。

1. Kovasznay 流动（平静测试）
首先，他们测试了一个具有已知精确解（类似于带有标准答案的数学题）的流动。他们在不同的流速（雷诺数分别为 20, 40, 100）下进行了模拟。结果令人印象深刻。FPINN 模型预测的流动误差极小，几乎不可察觉（约为 $10^{-7}$）。与旧的标准 PINN 相比，新模型表现得优越得多，尤其是在流速加快时。这证明了“高清晰度眼镜”（傅里叶特征）确实帮助它看清了细节。

2. 流经圆柱体（涡流测试）
接下来，他们模拟了水流经过一个旋转圆柱体的过程。这会在圆柱体后方产生一个“尾迹”，水流会在那里旋转形成复杂的涡流。

• 在低速时 (Re = 100)： FPINN 表现得极其准确，随时间变化的预测几乎与参考数据完全吻合。
• 在高速时 (Re = 3900)： 这是棘手的地方。流动变得湍流且混乱。论文指出，虽然 FPINN 起初具有很高的精度，但随着时间的推移，误差开始增长，特别是在涡流最强的尾迹区域。例如，压力的误差从一个极小的数值（$4.848 \times 10^{-2}$）增加到了一个较大的数值（$1.314 \times 10^{0}$）之后。这表明，虽然该模型是一个巨大的进步，但预测长时间的高速混沌流动仍然是一个挑战。不过，它的表现仍然优于传统的 PINN。

3. 驱动流池（盒子测试）
最后，他们观察了一个装有流体的盒子，盒子的顶盖在前后滑动，带动其中的流体运动。他们测试了从慢速爬行（Re = 100）到极速滑动（Re = 5000）的不同速度。

• FPINN 成功预测了所有这些速度下的流动模式。
• 即使在速度极快（Re = 5000）、流动非常湍流的情况下，FPINN 也能将误差控制在远低于标准 PINN 的水平。例如，在 Re = 5000 时，FPINN 对垂直速度的预测误差为 $1.018 \times 10^{-2}$，而旧的 PINN 则为 $1.883 \times 10^{-1}$。这表明该模型比以前能更好地处理高速、复杂的流动。

结论：迈出的坚实一步

论文总结道，将 POD（用于简化问题）与 FPINN（用于观察细节并遵守物理定律）相结合，创造了一个强大的工具。它训练速度更快，精度更高，且符合物理一致性。

然而，作者也坦诚地说明了局限性。虽然该模型非常出色，但尚未完美。在最混乱、高速的情景下（如 Re = 3900 的圆柱体尾迹），微小的误差仍倾向于随时间累积。此外，该模型在很大程度上依赖于用于创建 POD“舞蹈动作”的初始数据的质量。如果初始快照质量不佳，整个预测都会受到影响。

尽管存在这些细微的局限性，FPINN 框架仍代表了一个显著的飞跃。它提供了一种无需庞大网格或超级计算机即可模拟复杂流体流动的方法，这使其成为未来工程应用（从设计更好的飞机到理解洋流）中极具前景的工具。研究人员认为，这种方法可能是解锁此前难以计算的高效、高速流体模拟的关键。