基于分割和深度学习的物理感知通用可建模无线信道：基础、方法论和挑战
内容提要
该文综述物理信息神经网络（PINNs）的多项研究：提出提升训练效率与准确性的最佳实践；用生成网络构建28GHz空地信道统计模型；以课程规范化和序列到序列学习增强物理意义学习；将PINNs用于流体代理模型，提升预测性能、抗噪性与收敛速度；探索求解障碍相关偏微分方程；用辅助深度网络纠正模型偏差；提出多任务优化训练框架提升交通密度预测；并应用于固体力学，结合动量平衡与本构关系提高场量精度。
延伸解读
PINNs 的适用场景与优势
文章列举的多个研究表明，物理信息神经网络（PINNs）在数据缺失、边界条件不明确或需要逆向求解的复杂工程系统中具有优势。例如在流体代理模型中，PINNs 能提升预测性能、对数据噪声的稳健性，并减少对未见场景的优化收敛时间。此外，在固体力学中结合动量平衡和本构关系，可更准确地呈现场量变量。这些案例说明 PINNs 适合传统数值方法难以直接应用的场景。
训练策略与架构选择的影响
文章指出，通过最佳实践可以改进 PINNs 的训练效率和整体准确性，且不同架构选择和训练策略会直接影响测试准确性。例如，课程规范化和序列到序列学习能增强物理意义的学习；多任务优化训练框架通过解决辅助任务提升主任务性能，在交通密度预测中显著优于传统方式。这些发现提示读者，PINNs 的效果高度依赖于训练设计，而非简单的网络堆叠。
方法局限与待解决问题
尽管 PINNs 在某些情况下比有限元方法更可行，但文章明确提到该方法仍面临理论问题尚未解决。此外，使用以前的方法时，神经网络容易受到微妙问题的困扰，需要课程规范化等新方法加以缓解。对于障碍相关的偏微分方程，PINNs 虽表现良好，但文章未声称其具有普适性。读者应认识到 PINNs 并非万能，其理论基础和鲁棒性仍需进一步研究。
模型纠偏与扩展应用
文章介绍了一种通用纠偏方法：给定稀疏或嘈杂数据，使用其他深度神经网络建模模型偏差与观测数据之间的差异，从而扩展 PINNs 在未知物理过程复杂系统中的应用。同时，生成神经网络被用于构建28GHz空地信道统计模型，在最小化先验假设下自动生成信道损耗、延迟和角度信息。这些工作表明，PINNs 可与辅助网络或生成模型结合，弥补单一方法的不足。
Q&A
物理信息神经网络（PINNs）在训练效率和准确性方面有哪些改进方法？
文章提出了一系列最佳实践来改进PINNs的训练效率和整体准确性，并展示了不同架构选择和训练策略如何影响结果模型的测试准确性。
如何构建毫米波28GHz空地信道的统计信道模型？
文章提出了一种基于生成神经网络训练的方法，考虑每个链路的延迟、方向和路径增益，在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。
物理知识对神经网络学习物理意义有什么影响？有哪些新方法？
研究发现使用以前的方法，神经网络容易受到微妙问题的困扰。为了解决这个问题，文章提出了课程规范化和序列到序列学习两种新方法，并取得了比以前更好的结果。
PINNs在流体动力学代理模型中有哪些优势？
通过引入基于物理的规则，PINNs模型用于流体动力学代理模型，在数据缺失、边界条件不明确以及复杂工程系统逆向问题等方面有效。优点包括提高预测性能、提高对数据噪声的稳健性、减少对于先前未见场景的优化收敛所需的时间。
PINNs在求解偏微分方程方面面临哪些挑战？
文章综述指出，虽然PINNs在某些情况下比有限元方法更可行，但仍面临理论问题尚未解决。
如何纠正PINNs中的模型错误？
文章提出了一种通用方法：给定稀疏和/或嘈杂的数据，使用其他深度神经网络（DNNs）建模模型偏差和观测数据之间的差异，从而纠正PINNs中的模型错误，扩展了PINNs在未知物理过程的复杂系统中发现规律方程的应用。
多任务优化训练框架如何提升PINNs在交通密度预测中的性能？
文章提出了一种基于多任务优化范式的PINNs训练框架，通过解决多个辅助任务来提升主任务的性能，应用于交通密度预测问题的训练中，实验结果表明相比传统方式，该框架显著提高了PINN的性能。
PINNs在固体力学中如何应用以提高场量精度？
文章介绍了使用多网络模型，结合动量平衡和本构关系，可以更准确地呈现一些场量变量。通过测试合成数据并与解析解和数值解比较，验证了模型的有效性和精度，并指出等几何分析在准确性和收敛性方面优于有限元法。
