RBF-PINN：物理知情神经网络中的非傅里叶位置嵌入
内容提要
该文综述物理信息神经网络（PINNs）的多项进展：利用神经切向核分析训练动态，提出径向基函数替代傅里叶特征映射；结合图嵌入、几何变换与Gabor基函数提升多尺度及复杂几何问题求解效率；并探讨其与高斯过程的等价性及在FPGA部署的可行性。
延伸解读
从傅里叶特征到径向基函数：特征映射的改进
文章指出，常用的傅里叶特征映射在物理信息神经网络（PINNs）中可能不足，并提出条件正定的径向基函数作为替代方案。这种改进旨在提升模型在正向和逆向问题中的性能，且易于在坐标输入网络中实现。
多尺度与复杂几何问题的应对策略
针对波传播、反应扩散等多尺度问题，文章介绍了结合时空随机傅里叶特征的新架构；对于复杂几何，则通过几何变换将微分同胚映射到参考域，并调整损失函数导数计算，从而增强PINNs的灵活性。
理论联系与硬件部署的探索
文章探讨了PINNs与高斯过程的等价性，并推导了架构选择引起的核项。此外，还研究了在FPGA上部署PINNs的可行性，使用PYNQ-Z1进行实验，并指出了时间相干感知和空间数据对齐等问题。
Q&A
RBF-PINN 是什么？它和传统 PINN 有什么区别？
RBF-PINN 是一种使用径向基函数作为特征映射的物理信息神经网络。传统 PINN 常用基于傅里叶变换的特征映射，但在某些情况下存在不足；RBF-PINN 采用条件正定的径向基函数作为更好的替代方案，能通过梯度下降法收敛到高斯过程，并且比传统 PINN 方法更加高效。
为什么傅里叶特征映射在 PINN 中可能不够好？
文章指出，常用的基于傅立叶变换的特征映射在某些情况下存在不足，因此提出了条件正定的径向基函数作为更好的替代方案。
PINN 如何与高斯过程等价？这种等价有什么意义？
文章通过理论框架将物理信息神经网络与高斯过程回归等价，并推导出由其架构选择所引起的核项来增强预测能力，同时通过源项的谱分解量化其隐含偏差。这种等价有助于理解 PINN 的预测行为和不确定性。
GPINN 是什么？它如何提升 PINN 的性能？
GPINN 是一种基于图嵌入的物理信息神经网络框架，使用拓扑空间而非传统的欧几里得空间来执行 PINN。它通过 Fiedler 向量引导选择额外的维度，将图的空间特征注入输入空间，同时保留原空间属性，从而显著提高 PINN 的性能，特别是在捕获解的物理特征方面。
GaborPINN 是如何加速 PINN 收敛的？
GaborPINN 是一种改进的基于 Gabor 基函数的 PINN 方法，通过嵌入先验频率信息来加快收敛速度，与传统的 PINN 方法相比，取得了两个数量级的收敛速度提升。
PINN 在 FPGA 上部署的可行性如何？遇到了哪些问题？
文章研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。使用 PYNQ-Z1 FPGA 进行实验，发现了与时间相干感知和空间数据对齐相关的问题，并讨论了系统架构和方法，列出了未来工作计划。
