DIMON: 在一组变形领域上学习偏微分方程的解算子
内容提要
本文综述物理信息神经算子求解偏微分方程的进展：将PDE转化为边界积分方程，无需标记数据即可求解参数化边值及无界问题；DeepONet、PI-DeepONet、傅里叶神经算子等实现长时间模拟与数量级加速；OL-PINN结合DeepONet与PINN处理尖锐解；图核网络、降阶模型及神经ODE方法可泛化于高维演化型PDE与优化问题。
延伸解读
物理信息神经算子的核心优势
文章指出，物理信息神经算子方法可将偏微分方程转化为边界积分方程，从而无需标记数据即可求解参数化边值问题，并能处理无界问题。这降低了对大量标注数据的依赖，为传统数值方法难以高效处理的无界区域问题提供了新思路。
主流模型与加速效果
DeepONet、PI-DeepONet和傅里叶神经算子等模型在长时间模拟中实现了数量级加速。例如，PI-DeepONets在Buckley-Leverett方程上实现了四个数量级的速度提升，傅里叶神经算子在Burgers方程、Darcy流和Navier-Stokes方程上比传统方法快三个数量级，同时保持高准确率。
处理尖锐解与高维问题的策略
针对尖锐解问题，OL-PINN结合DeepONet与PINN，成功求解了非线性扩散反应方程、Burgers方程和高雷诺数不可压Navier-Stokes方程，提高了准确性和鲁棒性。对于高维演化型PDE，基于降阶模型和神经ODE的方法通过连接参数演化与函数空间轨迹，在Hamilton-Jacobi-Bellman方程等真实应用中展示了准确性和效率。
泛化能力与优化应用
图核网络通过图网络进行内核积分计算，能在不同分辨率和离散化之间泛化，性能优于现有解算器。此外，基于神经网络和基函数的算法可求解随机参量的大规模PDE优化问题，在保持精度的同时减少训练数据量和计算成本。
Q&A
物理信息神经算子如何在没有标记数据的情况下求解偏微分方程？
通过将偏微分方程转化为边界积分方程，物理信息神经算子方法可以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。
DeepONet在求解偏微分方程时有什么优势？
DeepONet能够实现对于参数ODE/PDE系统的精确长时间模拟，虽然比传统数值解算法计算成本低，但可靠性更高且能够全局评估。
PI-DeepONet如何提高预测准确性？
PI-DeepONet通过使用自动差分在模型训练期间施加软惩罚约束来实现物理定律，将DeepONet模型输出偏向于确保物理一致性，从而显著提高预测准确性，并大大减少大型训练数据集的需求。
傅里叶神经算子求解偏微分方程的速度如何？
傅里叶神经算子通过直接在傅里叶空间中参数化积分核，在Burgers' equation、Darcy流和Navier-Stokes方程等测试中展现了高准确率和比传统方法高三个数量级的速度。
OL-PINN框架解决了哪些问题？
OL-PINN将DeepONet与PINN相结合，成功解决了非线性扩散反应方程、Burgers方程和高雷诺数下的不可压纳维-斯托克斯方程等具有尖锐解决方案的问题，提高了准确性和鲁棒性，并广泛应用于解决逆问题。
图核网络在偏微分方程求解中有什么作用？
图核网络通过神经网络学习无限维空间和不同有限维空间之间的映射，并使用图网络进行内核积分计算，在偏微分方程及其解的输入数据映射中具有实际应用价值，并在不同分辨率和离散化的近似方法之间实现了泛化。
