实时 FJ/MAC PDE 求解器通过张量化的非反向传播光学 PINN 训练
内容提要
本文综述了物理信息神经网络（PINN）的多项研究进展：SPINN可在单GPU上处理超千万样本点，降低多维偏微分方程的计算成本；PPINN将长时间问题分解为短时间子问题以加速求解；OL-PINN结合DeepONet提升尖锐解问题的准确性与鲁棒性；此外还探讨了障碍相关偏微分方程、低秩PINN元学习、latentPINN参数泛化、结合数值积分的新损失函数、NeuralPDE求解多物理场、多尺度损失重构，以及PINN作为线性求解器与迁移学习等方向。
延伸解读
PINN 效率优化的两条路径
文章介绍了两种提升 PINN 计算效率的思路：SPINN 通过轴分离网络架构，在单 GPU 上处理超千万样本点，降低多维 PDE 的计算成本；PPINN 则将长时间问题分解为短时间子问题，由粗粒度求解器监督，实现快速收敛和显著加速。两者分别从空间采样和时间分解入手，为大规模 PDE 求解提供了可行方案。
面向尖锐解与逆问题的 OL-PINN
OL-PINN 将 DeepONet 与 PINN 结合，专门处理具有尖锐解决方案的问题，并在非线性扩散反应方程、Burgers 方程和高雷诺数不可压纳维-斯托克斯方程上验证了准确性和鲁棒性的提升。该框架还能广泛应用于逆问题，说明其在复杂物理场景中具有较好的泛化潜力。
参数泛化与多尺度损失重构
latentPINN 通过将 PDE 参数的潜在表示作为额外输入，采用两阶段训练学习参数的低维表示，使模型无需额外训练即可适应不同 PDE 参数。另一项工作则通过重构损失函数并对损失项施加不同幂运算，使各项量级相近，同时引入分组正则化，解决了多尺度问题中损失项量级差异大、难以同时优化的难题。
PINN 作为线性求解器的混合策略
有研究探讨了 PINN 作为线性求解器的潜力，在 Poisson 方程中评估了不同参数下的表现和精度，并强调了迁移学习的关键作用。针对高频解问题，论文提出将 PINN 与传统线性求解器结合，这种混合策略展示了发展新型线性求解器的前景，但也暗示纯 PINN 在高频场景下可能存在局限。
Q&A
SPINN 是什么？它有什么优势？
SPINN 是一种基于轴分离的网络架构及其训练算法，可在单个 GPU 上处理超过 10^7 个样本点。相比传统的基于点处理的 PINNs，它在严格控制误差的前提下大幅减少了多维 PDE 的计算成本。
PPINN 如何加速求解时间依赖的偏微分方程？
PPINN 将长时间问题分解成许多由粗粒度求解器监督的独立短时间问题，通过几个迭代即可收敛，从而获得显著加速。
OL-PINN 解决了什么问题？效果如何？
OL-PINN 将 DeepONet 与 PINN 结合，用于解决具有尖锐解决方案的问题，如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，提高了准确性和鲁棒性，并广泛应用于逆问题。
latentPINN 如何实现参数泛化？
latentPINN 将 PDE 参数的潜在表示作为额外输入进行训练，采用两阶段训练学习潜在表示，并通过在解决区域内随机生成空间坐标和 PDE 参数值的样本进行物理感知神经网络训练。试验表明，该方法无需额外训练即可适用于不同的 PDE 参数。
PINN 如何处理多尺度问题？
通过重新构建损失函数，对损失项应用不同数量的幂运算使各项具有相近的数量级，并引入分组正则化策略以解决不同子域中变化显著的问题，从而使得不同数量级的损失项可以同时优化。
PINN 作为线性求解器的潜力如何？
论文探讨了 PINN 作为线性求解器的潜力，在 Poisson 方程中评估了不同参数下的表现和精度，阐述了迁移学习的关键作用，并提出了将 PINN 与传统线性求解器相结合的方法以解决高频解的问题，表明该混合策略具有前景。
