物理信息神经网络（PINNs）与优化离散损失（ODIL）在非稳态非线性偏微分方程正反问题中的比较研究

《Computation》：Comparative Study of Physics-Informed Neural Networks (PINNs) and Optimizing a Discrete Loss (ODIL) for Forward and Inverse Problems in Unsteady Non-Linear Partial Differential Equations

　　

本研究系统地比较了两种最先进的框架——物理信息神经网络（PINNs）和优化离散损失（ODIL）——在基准椭圆型（Poisson）、双曲型（Wave）和抛物型（含未知源项的二维扩散-反应）问题上的表现，最终完成一项具有挑战性的逆源重构任务：推断一个时空变化的热源，该热源沿一条移动线强制执行预设的温度分布。PINNs通过连续残差和自动微分（automatic differentiation）实施物理约束，而ODIL在网格上离散化偏微分方程（PDE）并直接优化离散场值。对于所测试的配置和基准，与所考虑的基线PINN实现相比，ODIL实现了更低的误差和显著更低的每个训练周期（epoch）及总计算成本。多尺度傅里叶特征网络（MsFFN）和时空多尺度傅里叶特征网络（STMsFFN）显著提高了PINNs在多尺度问题上的性能，而采用多重网格分解（multigrid decomposition）的ODIL以较低的成本实现了可比或更高的精度。研究结果凸显了离散优化方法在众多偏微分方程问题上相对于基于神经网络的物理强制的优势，为超参数选择和优化策略提供了实用见解。本研究提供了严格的面对面评估，并为在计算科学与工程应用中选择或组合这些框架提供了指导。

**论文解读：物理信息神经网络与优化离散损失在非稳态非线性偏微分方程正反问题中的比较研究**

**研究背景与问题**
在计算科学与工程中，偏微分方程（PDE）的精确求解是核心挑战。传统数值方法（如有限差分、有限体积）在正问题中表现良好，但面对逆问题（如从稀疏、噪声数据中推断未知参数或源项）时，常因高计算成本、病态性和非唯一性而受限。近年来，物理信息神经网络（PINNs）通过将物理定律嵌入神经网络损失函数，成为解决逆PDE问题的有力工具，但存在谱偏差（spectral bias，倾向于学习低频分量）、损失景观陡峭及对超参数敏感等问题。优化离散损失（ODIL）作为替代方法，通过直接离散化PDE并优化离散场值，展现出更好的数值稳定性和收敛效率。然而，两者在非稳态非线性问题上的系统性对比尚不充分，尤其在涉及多尺度特征和移动约束的复杂逆源重构场景中。为此，研究人员开展了这项研究，旨在全面比较PINNs和ODIL在椭圆型、双曲型和抛物型PDE正反问题上的性能，包括一项具有挑战性的移动温度线逆源重构任务。该论文发表在《Computation》。

**研究方法**
研究人员主要采用两种关键框架：PINNs和ODIL。PINNs通过连续残差和自动微分（AD）强制执行物理约束，使用全连接神经网络（FNN）近似解场，并引入多尺度傅里叶特征网络（MsFFN）和时空多尺度傅里叶特征网络（STMsFFN）缓解谱偏差。ODIL则在结构化网格上离散化PDE，直接优化离散场值，支持多重网格分解（mODIL）以加速收敛并提升精度。对于逆问题，ODIL可联合优化离散场和未知参数（如热导率、反应速率），并通过混合ODIL-神经网络（NN）变体参数化未知函数。优化过程均采用梯度下降法（ADAM或L-BFGS），计算框架基于TensorFlow。所有基准测试均在一台AMD Ryzen 5 3600六核处理器上运行，无样本队列来源。

**研究结果**
**3.1 泊松方程（椭圆型）**
对二维泊松方程（具有高度振荡解析解）的测试表明：在波数k=2时，两种框架均能恢复解，但多重网格增强ODIL（mODIL）的相对L₂误差（≈0.001）远低于常规PINN（≈0.06）和PINN-MsFFN（≈0.06）。在k=4时，常规PINN完全失败（误差≈1.16），PINN-MsFFN仅降至0.25，而ODIL和mODIL均达到≈0.10误差，且每周期计算时间（1–3 ms/epoch）远低于PINN（35–99 ms/epoch）。结论：ODIL在高频泊松问题上具有显著精度和效率优势。

**3.2 波动方程（双曲型）**
对波动方程的参数研究（改变网格尺寸和网络宽度）显示：ODIL和PINN的均方根误差均随分辨率呈O(h²)缩放，但ODIL方差更低，能忠实恢复所有频率，且每周期计算时间约低一个数量级（3–10倍更少的周期即可达到可比误差）。结论：ODIL在含多时间尺度的双曲问题中更具保真度和计算效率。

**3.3 一维热方程（抛物型逆问题）**
逆问题涉及从稀疏温度测量中恢复未知温度依赖热导率k(u)。ODIL在64×64网格上采用Crank–Nicolson格式离散化，并通过小网络参数化k(u)，联合优化场值和网络参数。PINN使用5000个内部配点并采用转移学习（ADAM+L-BFGS）。结果表明：ODIL实现最低误差（u的L₂误差<0.01，k(u)的L₂误差<0.05），每周期≤27 ms；PINN虽然精度可接受（u误差<0.05，k(u)误差<0.3），但计算成本高达142 ms/epoch（约5倍）。多重网格进一步提升了ODIL的精度。结论：ODIL在逆参数识别中更准确且高效。

**3.4 二维扩散-反应方程（非线性抛物型逆问题）**
该问题模拟非稳态传热与燃烧，耦合温度u和燃料浓度v的演化，包含未知常数扩散系数α和燃烧速率β，以及空间变化的燃烧速率β(x,y)。在常数参数逆推中（Case 1–3），mODIL恢复参数相对误差<6%，优于常规ODIL和PINN（误差>12%），且计算时间（22 ms/epoch）远低于PINN（300 ms/epoch）。对于空间变化β(x,y)（多尺度振荡函数），ODIL-MsFFN（2层20神经元）在重构u和v时误差（≈0.03–0.04）显著低于PINN-STMsFFN（≈0.18–0.26），且计算时间仅为1/12。结论：ODIL在多尺度非线性逆问题中展现了鲁棒性和低开销。

**结论与讨论**
本研究系统证明了ODIL及其变体（mODIL、ODIL-MsFFN）在精度、收敛速度和计算成本上的整体优势，尤其适用于非稳态、多尺度逆问题。与PINNs相比，ODIL通过直接离散化避免了谱偏差和损失景观敏感性，同时保留了有限差分格式的保真性。研究结论强调：在求解正反PDE问题中，离散优化方法（如ODIL）是神经网络约束方法（如PINNs）的可扩展、高效且物理忠实的替代方案，为工程应用（如非稳态传热、燃烧和源项重构）提供了实用指导。未来研究可结合新型架构（如KAN）进一步提升性能。