数据高效的时间依赖偏微分方程代理模型：图神经模拟器（GNS）与神经算子（NO）的系统性对比

《Results in Engineering》：Data-Efficient Time-Dependent PDE Surrogates: Graph Neural Simulators vs. Neural Operators

　　

本研究开发了一种基于图的代理模型（graph-based surrogate），用于高精度的时间依赖物理模拟。研究人员评估了模型在具有挑战性的受限训练数据场景下的泛化能力。研究提出了一种面向数据稀缺环境的系统性训练样本选择方法，该方法将主成分分析（Principal Component Analysis，PCA）与K均值聚类（KMeans clustering）相结合，以实现更好的数据覆盖。实验结果表明，在训练数据有限的情况下，所提出的方法优于纯随机采样策略。

数据高效的时间依赖偏微分方程代理模型：图神经模拟器与神经算子的系统性对比解读

**一、研究背景与存在问题**

时间依赖偏微分方程（partial differential equation, PDE）是流体力学、材料物理、声学与地球科学等领域数学建模的核心工具。经典数值求解器（有限差分、有限体积、有限元）虽能提供高精度解，但其计算成本随问题规模和复杂度急剧增长，难以支撑设计优化、不确定性量化、逆建模和实时控制等需重复评估的任务。代理建模由此成为重要替代方案。近年来，神经算子（neural operator, NO）框架，如深度算子网络（DeepONet）和傅里叶神经算子（Fourier neural operator, FNO），通过学习无限维函数空间之间的映射，实现了网格无关的快速推理。然而，此类方法通常需要大量训练数据，在数据稀缺（data-scarce）或有限数据体制下泛化性能显著下降。物理信息策略虽能通过显式引入PDE结构缓解该问题，但需要已知控制方程及初始和边界条件，且损失项优化常需精细调参。此外，全连接网络和卷积网络在处理非均匀网格与不规则几何时存在结构性局限，难以捕捉PDE中固有的局部交互（如相邻单元间的通量交换）。图神经网络（graph neural network, GNN）通过消息传递机制在图上迭代聚合邻域信息，天然适配网格离散化和物理局部性，为数据高效的PDE代理建模提供了有前景的路径。

**二、研究内容与结论概述**

针对上述问题，研究人员开发了基于图神经模拟器（Graph Neural Simulator, GNS）的代理模型。该模型将时间演化问题重构为学习PDE右端（right-hand side, RHS）函数的瞬时时间导数，并利用经典数值时间步进实现稳定长期积分。研究系统比较了GNS与六种NO框架（DON-FR、DON-AR、TI-DON、TI(L)-DON、FNO-FR、FNO-AR）在五种二维PDE基准上的泛化性能，并在非结构网格算例中将几何感知的GINO-TI（Geometry-Informed Neural Operator with Time Integration）作为对比方法。研究还提出了一种结合主成分分析（principal component analysis, PCA）与KMeans聚类的训练样本选择策略，以提升低数据体制下训练集的代表性。结果表明，GNS在所有基准上均取得最优或接近最优的泛化精度，尤其在小样本条件下优势显著。

**三、关键技术方法**

GNS采用编码器-处理器-解码器架构。编码器将物理量、绝对坐标和傅里叶位置编码映射为潜在节点特征，将相对位移与物理场差异映射为边特征；处理器通过L层消息传递迭代更新图表示；解码器将潜在特征映射回目标物理量。结构化网格上采用k近邻（k=8）图模板，圆柱绕流算例直接继承非结构三角网格拓扑。时间积分采用显式欧拉格式，并测试了RK2/RK4高阶方案。训练轨迹选择基于PCA降维（保留20或50个主成分）后执行KMeans聚类，并选取每簇中距质心最近的轨迹。数据来源方面，圆柱绕流采用Pfaff等[30]的CylinderFlow数据集（COMSOL生成，1000训练/100测试轨迹）；Burgers方程与浅水方程数据脚本改编自[37]；Allen-Cahn方程采用ETDRK4格式生成。圆柱绕流训练中施加高斯噪声注入以增强自回归滚动稳定性。

**四、研究结果**

**（1）二维Burgers方程（标量输出场）。** GNS在仅30条训练轨迹下取得最低相对L₂误差（约0.88%），显著优于全部DeepONet变体与FNO变体。物理诊断显示，FNO-AR的质量守恒误差最紧（??(10^?6)），GNS次之（??(10^?5)）；但GNS的相对能量误差最低（??(10^?3)），且在低波数段谱能量分布与真实解最吻合。

**（2）二维耦合Burgers方程（矢量输出场）。** GNS对u、v两速度场均实现最低误差（低于1%）。FNO-FR的动量守恒误差最紧（??(10^?4)），GNS在能量守恒和谱保真度上持续领先，点态L∞误差保持在??(10^?3)。

**（3）二维Allen-Cahn方程。** GNS在30条轨迹时相对L₂误差低至0.4%；FNO-FR与FNO-AR在100条轨迹时接近GNS水平；DeepONet变体误差始终显著偏高。

**（4）二维非线性浅水方程。** 因初始速度场为零，DeepONet变体性能严重退化，误差高出若干量级。GNS在三个耦合场（η、u、v）上均优于FNO-AR与FNO-FR；FNO-AR在质量守恒和相对能量误差上表现最优，但GNS的逐点L∞误差最低且时间误差增长更稳定。

**（5）二维圆柱绕流。** 在非结构、变几何网格上，GNS对速度场的相对L₂误差显著低于GINO-TI，且能更紧密地追踪真实解的不可压缩无散约束；GINO-TI仅在诊断量压力场上取得小幅相对L₂优势，这归因于压力由全局椭圆方程决定，与傅里叶全局处理的物理匹配。

**五、总结讨论与结论**

讨论部分指出，GNS的卓越性能源于图结构对空间局部交互的显式建模，使其能以物理一致的方式学习粘性耗散、非线性交叉平流、界面演化和重力波耦合等复杂动力学。DeepONet框架对训练数据最为敏感，其中自回归变体DON-AR因误差累积而表现最差；FNO在低频主导的PDE上优势明显，但在非结构网格上受限于规则隐空间插值。物理诊断揭示了不同方法在积分量守恒上的权衡，但GNS在点态精度和跨尺度谱保真度上最为一致。研究结论表明，尽管在谱空间操作的核积分算子（如FNO）对特定PDE高度有效，但图架构GNS提供了更普适、更具物理感知能力的代理框架，尤其适用于低数据体制下学习时空复杂动力学，且其优势不依赖特定离散化，可推广至不规则几何场景。