《Algorithms》：Effects of Training Data Source on PINN Modeling of Laser-Induced Heat Diffusion in Human Skin
编辑推荐：
专业摘要翻译
物理信息神经网络（PINNs）近来已成为求解偏微分方程（PDEs）中经典数值方法的有效替代方案，广泛应用于各类物理系统。当辅以监督数据时，PINN的性能可在很大程度上依赖于训练数据的质量与特征；然而，用于生成该数据的数值方法所产生的影响在很大程度
专业摘要翻译
物理信息神经网络（PINNs）近来已成为求解偏微分方程（PDEs）中经典数值方法的有效替代方案，广泛应用于各类物理系统。当辅以监督数据时，PINN的性能可在很大程度上依赖于训练数据的质量与特征；然而，用于生成该数据的数值方法所产生的影响在很大程度上仍未得到探索。本研究考察了由有限差分法（FDM）和有限元法（FEM）求解器生成的训练数据如何影响PINN的训练过程与预测精度，特别是在激光-组织相互作用条件下求解一维热方程的情形。研究中引入监督数据损失项，并在相同物理条件下分别使用FDM和FEM生成的温度场训练模型，以比较收敛行为与精度的差异。结果表明，在受控的一维扩散设定下，用于数据生成的数值求解器会对混合PINN性能产生可量化的、依赖于分辨率的效应：在大多数测试分辨率下，FDM生成的训练数据取得了最低误差，该优势仅在最高分辨率下收窄至不可区分，从而为生物传热应用中数据生成求解器的选择提供了实用指导。
论文解读
一、研究背景与意义
生物组织中的热传递建模对医学和国防领域至关重要，包括烧伤诊断和激光安全等应用场景，即使是中等程度的激光诱导加热也可能造成快速组织损伤。偏微分方程（PDEs）为描述组织中的热扩散提供了成熟的数学框架，能够表征多种物理特性和组织分层结构；然而，解析解往往难以获得，获取高分辨率数值解的计算成本也可能相当高昂。近年来，机器学习的发展以深度神经网络（DNNs）的形式为传统数值方法提供了多种替代方案。通常，DNN的预测能力高度依赖于高质量数据的可用性，而物理信息神经网络（PINNs）的出现缓解了这一依赖问题。
PINNs是将控制偏微分方程直接嵌入训练过程的深度神经网络，通过自动微分将PDE残差纳入损失函数，使网络能够在时空域上逼近连续解，边界条件和初始条件也通过额外惩罚项加以约束，从而产生一种无网格且符合物理约束的替代模型。然而，纯物理驱动的PINN在物理知识有限的情况下可能表现不佳，这在真实复杂应用场景中并不罕见。在详细实验测量数据有限或不可用的情况下，即使是稀疏的数值数据也可以作为PINN的监督来源。将监督数据纳入损失函数可以提高稳定性、预测精度和训练效率，同时不需要极细的网格划分。这种混合训练策略将数据驱动学习与嵌入的物理结构相结合，可能产生既保持物理一致性又受益于数据引导优化的模型。
本研究考察的两种主要数值方法是有限差分法（FDM）和有限元法（FEM）。FDM将PDE的定义域离散化为规则网格，利用相邻点之间的差分来逼近空间和时间导数，对于结构化网格上的问题而言简单且计算高效，但在不规则几何（如皮肤组织层间界面）处可能产生较大误差。FEM则通过将定义域划分为单元集合，并使用在每个单元上局部定义的基函数来逼近解，能够很好地处理复杂几何和非均匀材料属性，但灵活性通常伴随更高的计算成本。
据研究人员所知，尽管FDM和FEM是求解PDE的成熟数值技术，但关于隔离源数据拓扑对混合PINN训练和预测性能影响的关注仍然有限。由于监督式PINN将不同方法的数值解直接纳入损失函数，局部误差分布和边界处理可能隐性地塑造训练过程中遇到的损失景观。为研究这一效应，研究人员在相同物理条件和网络架构下进行受控比较，仅改变监督温度数据的数值来源，在三种皮肤层模型上跨多种空间和时间离散分辨率评估收敛行为和预测精度。
二、研究内容与主要结论
本研究的主要贡献包括：跨多种时空分辨率对混合PINN训练中FDM和FEM生成的监督数据进行系统定量比较；在受控物理条件下分析收敛性和预测性能；评估求解器诱导效应对PINN精度如何随训练数据分辨率变化，并证明将监督点采样偏向已知求解器间不一致区域可提高训练稳定性。
三、关键技术方法
研究人员采用三层人体皮肤配置（表皮、真皮和脂肪），使用PAC1D（空军研究实验室专有的基于有限差分的数值求解器）作为参考解，采用Crank-Nicolson时间步进，在250个空间步和2000个时间步下计算参考解。监督训练数据在九种空间分辨率与时间步组合下生成。对于FEM，研究人员实现了两种自定义版本，分别采用分段线性和分段三次基函数，均在相同九种时空分辨率下运行。线性基选择50个单元，三次基选择10个单元，并通过MATLAB的pdepe求解器独立验证。PINN架构经全因子消融确定：三层隐藏层、每层32个神经元、tanh激活函数，优化器选择L-BFGS，监督数据分数为25%，搭配自适应损失权重和Z-score标准化。
四、研究结果
4.1 PINN精度跨求解器与分辨率的比较
FDM训练模型在全部九种测试分辨率下均取得最低MAE。在两种FEM基中，线性基仅在空间分辨率最粗时优于三次基，所有更细空间分辨率下三次基均优于线性基。全部27种配置均满足10% CV稳定性阈值，但FDM训练模型在最细空间分辨率下CV最高。界面区域MAE比全域平均MAE高约2至4倍，证实全局指标低估了材料不连续处的误差。FDM训练模型在全域大部分区域表现出明显低于两种FEM训练模型的误差。FEM训练模型达到损失阈值的平均迭代次数少于FDM训练模型，说明FDM的精度优势并非源于更快的收敛速度。
4.2 基于FEM参考解的验证
由于参考解本身由PAC1D生成，与三种训练数据源之一属于同一求解器家族，研究人员进行了网格细化收敛研究，使用200单元的分段线性FEM解作为独立FEM参考。在两种参考下，九种分辨率中有八种的求解器排名完全一致。最细分辨率下三次FEM在FEM参考下以0.0866 K对0.0885 K的微弱优势超过FDM，该差异小于参考解自身的残余界面不确定性，因此不可区分。这表明FDM训练模型取得最低误差并非评估时使用求解器匹配参考解造成的假象。
4.3 监督数据采样策略的影响
误差加权采样相对于均匀采样持续降低了CV，效应在较细分辨率下最为显著。最大单项改进出现在FDM最细分辨率和25%数据分数下，CV从均匀采样下的12.7%降至误差加权采样下的7.5%。该效应独立于求解器比较：对每种求解器和分辨率，误差加权采样不改变取得最低误差的求解器，但提高了跨随机种子初始化时取得该误差的一致性。
五、讨论与结论
研究人员指出，FDM生成数据训练的PINN在全部九种时空分辨率下均取得最低预测误差，该优势在FEM参考验证下仍然稳健，仅在单一最细分辨率下与三次FEM的差异变得不可区分。这一模式表明监督训练数据的数值特征确实影响PINN训练，但该效应随数值求解器在更细离散化下趋于一致而减弱。求解器在训练前与参考解的一致性越高，对应训练后的PINN精度也越高，表明求解器诱导误差通过训练过程传播。将监督数据采样偏向已知求解器间不一致区域可显著提高跨随机种子初始化的训练稳定性，且不改变最优求解器的选择。
本研究限于一维、物理完全已知的扩散设定和单一解剖代表性的三层皮肤配置，绝热（齐次Neumann）边界条件相对于皮肤表面的生理热交换是简化处理。研究人员未测试更高维域、更陡峭解梯度、更多材料不连续或复杂时空源项，这些都可能改变求解器诱导差异在混合PINN训练中的传播程度。未来工作应将此比较扩展到更高维和部分已知物理系统，以确定相同的分辨率依赖模式是否更广泛成立。
研究结论指出，在受控物理条件和固定网络架构下，生成监督训练数据的数值求解器选择确实以可测量和可量化的方式影响混合PINN预测精度，该效应的实际规模随训练数据分辨率提高而减小。对实践者而言，FDM生成的训练数据在粗到中等分辨率下产生较低误差，而在足够细的离散化下FDM与三次FEM的选择实际上无关紧要。独立于求解器比较，将监督数据采样偏向已知求解器间不一致区域可显著提高跨随机种子初始化的训练稳定性，特别是在细分辨率下。
