学习椭圆型偏微分方程的独立领域格林函数
内容提要
该文综述深度学习求解偏微分方程的多项进展：用低秩分解学习格林函数以减少重复计算，并给出三维椭圆型方程的首个有理论保证方案；提出边界积分型物理信息神经算子，可无标记数据求解参数化边值及无界问题；构建恢复双曲型方程解算符的概率算法；发展无需预知解性质的物理信息框架；用图神经网络设计稳态方程解算符；提出嵌入边界的神经算子处理复杂几何，平均提升60.96%；证明深度伽辽金法与物理信息网络的全局收敛性；提出无网格DGM求解高维方程；用符号遗传算法从数据直接发现PDE。
延伸解读
理论保证与计算效率的平衡
文章指出，通过低秩分解学习格林函数，能以高概率保证收敛，所需训练对数量为O(ε^{-6}log^4(1/ε))，相对误差为O(Γ_ε^{-1/2}log^3(1/ε)ε)。这是三维椭圆型偏微分方程格林函数学习的首个具有理论依据的方案。读者需注意，理论保证虽强，但训练样本量随精度要求增长较快，实际应用中需权衡计算成本与精度。
无标记数据与无界问题的处理
文章提出边界积分型物理信息神经算子，可在没有标记数据的情况下求解参数化边界值问题，并能处理无界问题。这降低了数据获取成本，扩展了神经算子方法的应用范围。但文章未具体说明该方法在复杂边界条件下的表现，读者应关注其泛化能力和数值稳定性。
复杂几何与高维问题的进展
嵌入边界的神经算子针对复杂几何和不均匀边界条件，实验显示平均提升60.96%。同时，Deep Galerkin Method无需网格，通过随机采样训练，适用于高维自由边界和Hamilton-Jacobi-Bellman方程。这些进展表明深度学习在解决传统数值方法难以处理的高维和复杂几何问题上具有潜力，但实际部署时需考虑训练成本和收敛性。
从数据中发现方程与概率算法
文章提到使用符号遗传算法从数据中直接发现PDE，成功发现了Burgers方程、KdV方程和Chafee-Infante方程。此外，构建了恢复双曲型方程解算符的概率算法。这些方法为数据驱动的方程发现和求解提供了新途径，但符号遗传算法可能对噪声敏感，且概率算法的适用范围需进一步验证。
Q&A
如何用深度学习学习椭圆型偏微分方程的格林函数？
通过低秩分解学习格林函数，减少重复计算并提高计算时间。利用低秩结构构建近似方案，相对误差为 O(Γ_ε^{-1/2} log^3(1/ε) ε)，使用 O(ε^{-6} log^4(1/ε)) 个输入-输出训练对可保证收敛，这是三维椭圆型偏微分方程格林函数学习的首个有理论保证的方案。
物理信息神经算子如何求解参数化边值问题？
通过将偏微分方程转化为边界积分方程，提出一种新颖的物理信息神经算子方法，可在没有标记数据的情况下解决参数化边界值问题，并且能够处理无界问题。
有哪些深度学习算法可以求解高维偏微分方程？
Deep Galerkin Method (DGM) 使用深度神经网络，不依赖于网格，通过对随机采样的时间和空间点进行批量训练，可求解高维偏微分方程，并在高维自由边界问题、Hamilton-Jacobi-Bellman 方程和 Burgers 方程上测试成功。
如何用图神经网络设计稳态偏微分方程的解算符？
使用图神经网络和频谱图卷积设计两种不同的时间独立偏微分方程的解算符，并使用多种形状和不均匀性的有限元求解器模拟数据训练网络。训练不同的数据集是实现良好技术和广泛应用的关键。
处理复杂几何形状的椭圆型偏微分方程有什么新方法？
提出嵌入边界的神经算子 (Boundary-Embedded Neural Operators)，通过嵌入边界和复杂几何形状解决椭圆型偏微分方程。实验证明，在不均匀边界条件和复杂几何形状上，该算子优于现有算法和基准算子，平均提升效果达 60.96%。
符号遗传算法如何从数据中发现偏微分方程？
使用符号遗传算法在没有先验知识的情况下，从数据中直接发现开放式 PDE。该算法采用符号数学实现灵活表示，将 PDE 转换成树形结构的二进制树，并采用专门设计的遗传算法高效优化，成功发现了非线性 Burgers 方程、Korteweg-de Vries 方程和 Chafee-Infante 方程。
