结构信息神经网络用于边界观测问题

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》：Structure informed neural networks for boundary observation problems

　　

研究人员介绍了一种新颖的机器学习（ML）架构，用于具有强物理先验的算子学习。学习到的椭圆算子可以从边界数据重建内部场。椭圆性确保了与几何无关的全局信息传递。在局部补丁上的新颖训练推动了训练效率和可扩展性。相比U-Net和图神经网络（GNNs），取得了显著的性能优势。

边界观测问题（BOP）是众多科学和工程领域中的核心逆问题，旨在仅利用边界测量数据恢复系统内部的物理场。这类问题广泛存在于流体力学（如从壁面数据重建湍流尾迹）、生物医学成像（如电阻抗层析成像EIT）、地球物理（如从地表地震图反演地下速度模型）以及等离子体物理（如托卡马克平衡重建）等领域。然而，传统数据驱动方法面临三大挑战：信息从边界到内部的全局耦合性导致映射高度复杂；需要模型能泛化至不同几何形状的域；且在有限训练数据下需保证学习效率。现有深度学习方法，如卷积神经网络（CNN）、图神经网络（GNN）和Transformer架构，虽各有优势，但均未专门针对BOP的结构性挑战设计。例如，CNN依赖规则网格，难以处理任意几何；GNN通过消息传递实现全局信息传递，但易导致过平滑或高计算成本；神经算子方法（如傅里叶神经算子FNO）则受限于基函数选择和规则域。

为此，Jakub Horsky和Andrew Wynn提出了结构信息神经网络（SINNs），将椭圆系统嵌入编码器-解码器框架，以学习从边界到内部的映射。该架构通过三个组件组成：半局部边界编码器（?_?）将边界数据和边界法向量映射为低维潜在变量；求解线性椭圆型偏微分方程（PDE）系统（E_A）将潜在变量从边界传播至整个域；局部解码器（δ）将潜在变量映射回物理场。椭圆系统的良好性质（如解的存在唯一性、几何无关性、高效数值求解）赋予了SINN强大的物理先验和数据效率。为提升训练效率，研究人员引入了训练补丁（training patches）策略，通过随机采样子域进行训练，避免在全域求解PDE。论文在三个测试案例中评估了SINN的性能，并与U-Net、GNN和LP-FNO模型进行了对比，验证了其在准确性、泛化性和数据效率上的显著优势。该研究发表于《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》。

研究人员为开展研究采用的主要关键技术方法包括：（1）**边界编码器**，使用半局部神经网络（N_?）处理边界点邻域信息，输出潜在变量；（2）**椭圆系统**，通过学习系数矩阵A_ij（对称正定）的线性椭圆型PDE（如式(3)），利用有限元法（FEM）求解，实现全局信息传递；（3）**解码器**，采用逐点全连接神经网络（N_δ）将潜在变量映射回物理场；（4）**训练补丁策略**，随机采样六边形子域（测试案例1和2）或K-means聚类补丁（测试案例3），通过组合物理重建损失（Ψ_u）和潜在一致性损失（Ψ_l）进行训练。数据来源包括：测试案例1使用[22]的Navier-Stokes模拟数据（Re≈100，512×512网格）；测试案例2使用[23]的二维稳态绕流数据（1000个不同几何体，Re≈10）；测试案例3使用MeshGraphNets数据集（压缩Euler模拟，AoA>15°，Mach 0.3-0.6）。

研究结果：

**5.1 测试案例1：非定常流重建**
通过从边界速度及法向梯度历史数据重建内部流场，与U-Net、GNN和LP-FNO对比。SINN在验证集上相对L2误差（rel-L2）为0.184，显著低于GNN（0.326）、U-Net（0.344）和LP-FNO（0.605），且R2达0.962。训练曲线表明SINN过拟合程度远低于U-Net和GNN，时空误差分布显示SINN在远离边界区域仍保持较高精度。无补丁消融实验显示，移除补丁后rel-L2升至0.256，但仍优于U-Net和GNN，证实椭圆系统本身提供有效偏置。

**5.2 测试案例2：变几何绕流重建**
针对不同几何形状的二维稳态绕流，SINN在标准边界数据（仅速度）和额外边界数据（含压力及法向梯度）下均表现良好。随潜在变量维度r从2增至9，rel-L2从约12%降至约6%，最大百分比误差（η?）从约10%降至约5%。额外边界数据持续提升精度。仅使用30个训练样本时，rel-L2仍达约3.6%，表明强数据效率。潜在变量分布具有高空间正则性，且A_ij矩阵完全填充，显示变量间强耦合。

**5.3 测试案例3：失速翼型非定常流重建**
使用PointNet++编码器、源项和Robin边界条件扩展的椭圆系统，以及K-means补丁。在8条验证轨迹上，SINN达到rel-L2=0.142、R2=0.978、最大百分比误差η=15.3%。重建速度场清晰捕捉了吸力侧的尾迹涡旋，证明椭圆系统嵌入可扩展至复杂分离可压缩流，且在未见过的（AoA, Mach）条件下有效泛化。

**讨论部分总结**
SINN通过将椭圆系统作为核心组件，同时解决了全局信息传递、几何泛化和数据效率三大挑战。与神经算子（如FNO）相比，SINN无需预设基函数；与U-Net相比，具有强物理先验，避免过拟合；与GNN相比，通过椭圆系统实现即时全局信息传递，避免深网络或长距离边。训练补丁策略不仅降低计算成本，还作为隐式正则化器，缩小训练/测试误差差距。计算成本分析表明，在优化实现下，SINN推理时间（2.34 ms/样本）快于U-Net（4.41 ms）和GNN（5.49 ms），且训练总时间（约8.2分钟）与基线相当。通过解析示例（式(14)）说明，即使最简单的拉普拉斯算子也能精确重建行波，揭示椭圆系统通过模态叠加（如傅里叶级数）隐式捕捉波动和迁移运动的能力。

**翻译研究结论**
我们提出了一种用于解决边界观测问题的新型机器学习架构，该架构学习从边界数据预测内部场的算子。该方法的关键创新在于将带有学习偏微分方程的椭圆系统嵌入编码器-解码器神经网络中。椭圆系统具有良好的物理先验，使其具有数据效率并能自然泛化至可变域几何。为高效训练椭圆系统，我们引入了训练补丁，使SINN模型可以在训练数据的子域上训练，从而显著降低求解PDE的计算成本。所提出的SINN架构在与U-Net、GNN和LP-FNO模型的对比评估中，在从边界测量历史预测内部非定常流场的挑战性数据集上，SINN模型在验证集上的相对L2误差比调优后的GNN模型低近两倍，比LP-FNO模型低三倍以上，并展现出更优的泛化差距。进一步的SINN模型用于预测二维钝体绕流，表明SINN能高效泛化至变几何问题。无补丁消融实验分离了椭圆系统组件与训练补丁策略的贡献，并在6.1节报告了与三个基线的训练和推理时间比较。在一致的推理优化下，SINN同时是所考虑模型中最准确的，且在推理速度上位列第二；结合消融实验，这强化了嵌入的学习PDE求解器提供了实质性归纳偏置，而非边缘架构选择。测试案例3进一步证明椭圆系统嵌入可扩展至复杂分离可压缩流：结合第3节中源项和Robin边界条件泛化的实现，在训练中未见过的（AoA, Mach）条件下，在MeshGraphNets失速翼型数据集上达到R2=0.978。这些实证证据辅以封闭解析示例（第6.2节），表明具有平凡拉普拉斯算子的最小单潜在变量SINN能精确从其边界迹重建行波，阐明了椭圆潜在传播子如何捕捉对流和波动运动。