基于最小二乘的正则性一致神经网络（LS-ReCoNN）求解参数传输问题

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》：A Least-Squares-Based Regularity-Conforming Neural Network (LS-ReCoNN) for Solving Parametric Transmission Problems

　　

本文聚焦于求解一维和二维空间中的参数传输问题。这些问题属于一类在异质材料物理系统建模中出现的偏微分方程（PDEs）。它们通常在界面处表现出不连续性，并在界面相交点处出现奇异性。为了解决这些问题，研究人员提出了一种新的深度学习方法，名为基于最小二乘的正则性一致神经网络（LS-ReCoNN）。该方法提出了一种损失函数，该函数被证明是能量范数误差的一致上界。该方法将解表示为主分量和奇异分量之和。主分量被分解为光滑部分和梯度跳跃部分，分别捕捉一维和二维问题中的正则解行为以及跨界面的低正则性。奇异分量用于模拟交汇点奇异性，并通过从一维有限元（FE）特征值问题计算得到的基函数进行近似。对于主分量，采用分离表示，由参数依赖系数和空间依赖函数组成。深度神经网络近似空间依赖函数，而参数依赖系数由最小二乘求解器确定，其中每个参数实例的最优系数通过在线求解一个低维最小二乘问题得到。一维和二维的数值实验表明，LS-ReCoNN能够有效捕捉奇异性，同时在广泛的参数值范围内保持求解精度。

传输问题（transmission problems）是一类在异质材料建模中出现的偏微分方程（PDEs），广泛应用于材料科学、流体动力学和电磁学等领域。解在材料界面处呈现不连续，在界面交汇点出现奇异性（singularities）。传统有限元方法（FEM）因低正则性导致收敛速度降低，神经网络（NN）方法（如物理信息神经网络PINN）因光滑激活函数无法处理间断和奇异，产生Gibbs型振荡。现有方法如正则性一致神经网络（ReCoNN）能处理奇异性，但参数化问题需要高效近似参数空间；最小二乘神经网络（LS-Net）能处理参数化问题，但未结合奇异处理。因此，研究人员结合两者提出LS-ReCoNN，以解决参数传输问题中的低正则性和参数复杂性。该论文发表在《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》。

研究人员开展的研究包括：提出LS-ReCoNN框架，将解分解为主分量（由深度NN近似）和奇异分量（由有限元特征值求解器得到的基函数近似）；主分量进一步分解为光滑部分和梯度跳跃部分，奇异分量通过求解一维Sturm-Liouville特征值问题的有限元（FE）方法得到；损失函数基于PDE残差和界面通量连续性，提供能量范数误差的上界。数值实验验证了方法在一维和二维参数传输问题上的准确性和效率。结论：LS-ReCoNN能有效捕捉奇异性和梯度跳跃，保持求解精度，且参数化训练比非参数化更优，计算成本几乎不随参数数量增加。重要意义在于提供了一种高效准确的参数传输问题求解方法，避免了Gibbs现象，具有离散化不变性，可推广到更复杂问题。

主要关键技术方法包括：（1）正则性一致神经网络（ReCoNN）架构，将解分解为主分量（光滑部分和梯度跳跃部分）和奇异分量；（2）奇异分量通过求解一维Sturm-Liouville特征值问题的有限元（FE）方法得到基函数；（3）主分量的空间函数由深度神经网络近似，参数依赖系数由最小二乘（LS）求解器在线确定；（4）损失函数基于PDE残差和界面通量连续性，提供能量范数误差的上界。

研究结果：

**5.1 One-dimensional problems**
在一维参数传输问题中，域Ω=(0,π)被划分为5个子区间，参数P取值为(0.01,50)。采用3层隐藏层各10神经元的NN，输出50个基函数。通过训练，相对L2误差从约10¹%-10³%降至约10^-5%-10^-3%，梯度误差从5%-10³%降至5×10^-4%-10^-3%。与单实例非参数化方法对比，参数化方法在相同训练轮数下误差低一个数量级，且训练后对新参数只需LS求解即可快速获得解，无需重新训练。

**5.2 Two-dimensional problems**
**5.2.1 2×2 material configuration**
域Ω=(-1,1)²划分为4个方形子域，参数P∈[1,10]。NN采用4层隐藏层各75神经元，输出75个基函数。训练后平均相对L2误差从约99%降至0.4%，梯度误差从74%降至1.5%。消融研究对比了DeepONet变体（不含奇异分量或使用DRM损失），LS-ReCoNN在分布内（[1,10]）和分布外（[10,1000]）参数上均显著更优，分布外误差低至1.66%，而DeepONet误差高达10⁴%-10⁵%。

**5.2.2 4×4 material configuration**
域Ω划分为16个方形子域，包含9个奇异点。NN采用5层隐藏层，最后层270神经元。训练后平均相对L2误差从约104%降至10%，梯度误差从105%降至10%。结果验证了方法在复杂多界面问题上的有效性。

总结讨论部分：LS-ReCoNN框架具有准确性、稳定性和计算效率优势。损失函数提供能量范数误差上界，确保训练优化物理意义量。参数化训练比非参数化收敛更好，避免局部极小值。局限性包括：限于线性参数问题，需已知低正则性结构，扩展至3D需2D特征值问题。未来方向包括扩展至3D、改进奇异函数建模、应用于非线性或时间依赖问题。

研究结论翻译：本工作提出了LS-ReCoNN，一种混合框架，集成特征值求解器、正则性一致神经网络（ReCoNN）和最小二乘神经网络（LS-Net）策略，求解具有奇异性的参数传输问题。通过将解分解为主分量（由深度NN近似）和奇异分量（由FE特征值求解器得到），方法有效处理了局部奇异性和参数复杂性。LS-ReCoNN框架相比现有经典和深度学习方法具有若干关键优势：在准确性和稳定性方面，通过嵌入已知正则性信息并利用FE求解器处理奇异分量，避免了Gibbs型不稳定性，在低正则性区域实现更高精度；计算效率方面，通过主分量的分离表示实现参数无关矩阵的预计算，使得处理大量参数N_p的成本主要由NN评估主导，总执行时间几乎不随参数实例数量变化。提出的损失函数提供了能量范数误差的显式上界，确保训练过程最小化物理有意义的量。一维和二维数值实验证实了方法的准确性和鲁棒性，成功捕捉了梯度跳跃和奇异结构等复杂解行为。值得注意的是，参数化训练比非参数化版本收敛更好，因为网络在参数化问题中导航更平滑的优化，避免非参数化模型常陷入的局部极小值。这导致在各种参数范围内对解和通量的更稳健、可靠的近似。未来工作包括扩展至3D问题，改进复杂几何的奇异函数建模，降低特征函数评估误差，以及应用于非线性或时间依赖传输问题。