物理信息神经网络求解复杂偏微分方程的研究进展与工程应用：系统综述

作者单位： 四川大学
DOI: 10.1016/j.engappai.2025.112044
关键词： 偏微分方程，物理信息神经网络，网络架构，自适应采样，贝叶斯优化，多物理场耦合

1 引言：传统数值方法的瓶颈与PINNs的革命性突破

传统有限元/有限差分方法在处理高维非线性PDE（如Navier-Stokes方程）、几何敏感问题（如裂纹扩展）及多尺度系统（如湍流边界层）时存在三大瓶颈：

• • 维度灾难：3D瞬态问题计算复杂度呈指数增长（ )
• • 网格依赖：非结构网格生成耗时占整体计算70%以上
• • 收敛困难：强非线性问题迭代步数超10^6次

PINNs核心创新：

通过自动微分(AD) 实现物理定律的嵌入式学习

2 理论基础与计算框架

2.1 网络架构设计

2.2 三大求解范式

2.2.1 正问题求解

• • 流程：时空坐标 → MLP前向传播 → 损失函数优化
• • 案例：层流腔体流动预测误差<0.5% (Re≤1000)

2.2.2 反问题求解

2.2.3 不确定性量化(B-PINNs)

• • 贝叶斯框架：
• • 应用：材料参数反演误差<1%（2023, Niu et al.）
• 

3 关键技术突破

3.1 训练优化四阶梯队

1. 1. 采样策略创新
• • RAR-D自适应采样：
  
  在激波区将采样密度提升8倍

1. 2. 损失函数设计
• • LAN注意力机制：动态分配权重至梯度突变区
• • 变分形式弱约束：解决Neumann边界振荡问题
2. 3. 梯度计算加速
• • RK-PINN：Runge-Kutta替代AD计算高阶导数
  
3. 4. 混合优化器策略

3.2 架构演进路线

4 复杂PDE的定制化解决方案

4.1 高非线性问题

• • 人工粘性法：引入可学习粘性项
• • 熵条件嵌入：Oleinik约束保证激波唯一性

4.2 多尺度系统

• • 傅里叶域解耦：
  
  分离处理高低频分量

4.3 典型问题求解性能对比

5 工程应用全景

5.1 高端装备制造

• • 叶片气动优化：
  CNN-PINN将11参数优化问题转换为隐式特征学习，设计周期缩短88%
• • 增材制造监测：
  熔池温度场在线预测误差<5%，孔隙缺陷识别率95.3%

5.2 能源系统革新

5.3 生物医学突破

• • 冠状动脉血流：4D PINNs重建血流场，压力预测误差5.71%
• • 肿瘤生长模型：耦合Verhulst方程的PINN预测化疗响应，误差<8%

6 挑战与前沿方向

6.1 四大核心挑战

1. 1. 泛化壁垒
• • 现象：训练域外预测误差骤增2个量级
• • 破解：元学习框架实现跨雷诺数迁移（ ）
2. 2. 计算效率
• • 量子并行：Q-PINN将千维参数空间压缩为 复杂度
3. 3. 多目标冲突
• • 动态权重法：
  
4. 4. 极端工况失效
• • 刚性增强：Stiff-PINN在燃烧反应中保持 精度

6.2 未来突破方向

• • 物理-数据融合范式：生成式预训练（GPT-PINN）
• • 可解释性架构：微分方程与神经网络的代数同构证明
• • 边缘计算部署：FPGA加速推理速度＞100 FPS