[论文] QGPINNs: A Physics-Informed Neural Network Framework for Nonlocal Diff...
研究领域: ML 作者: Vaibhav Mehandiratta, Saket Ramchandra 发布时间: 2026-08-28 arXiv: 2608.28589
论文概要
研究领域: ML 作者: Vaibhav Mehandiratta, Saket Ramchandra 发布时间: 2026-08-28 arXiv: 2608.28589
中文摘要
我们提出了QGPINNs，一个基于PyTorch的物理信息神经网络框架，用于求解量子图上的非局部微分方程。该框架是一个通用计算实现，图中每条边上的解由神经网络近似，而统一的基于图的损失函数强制执行控制方程以及初始、边界和顶点传输条件。特别地，该公式将标准连续性和Kirchhoff-Neumann顶点条件以及Dirichlet边界条件纳入学习过程，将局部边级神经近似耦合为图上的全局解。该框架针对两类代表性非线性模型开发：多阶分数椭圆问题和量子图上的时间分数演化方程。为了提高精度和训练稳定性，QGPINNs集成了多种图自适应学习策略，包括软约束和硬约束执行、动态损失平衡、傅里叶特征嵌入以及用于捕捉问题中出现的弱奇异解的可学习奇异性特征。该框架还自然地扩展到反问题，包括从噪声观测数据中识别分数算子的阶数和物理参数。我们通过基准图结构和真实世界网络（包括IEEE 14节点系统和开放式农业排水网络）上的数值实验验证了所提框架的精度、计算效率和物理一致性。
原文摘要
We propose QGPINNs, a physics-informed neural network framework developed in PyTorch for the numerical solution of nonlocal differential equations on quantum graphs. The framework is designed as a general computational implementation in which the solution on each edge of the graph is approximated by a neural network, while a unified graph-based loss function enforces the governing equations together with initial, boundary, and vertex transmission conditions. In particular, the formulation incorporates standard continuity and Kirchhoff-Neumann vertex conditions and Dirichlet boundary conditions into the learning process to couple the local edge-wise neural approximations into a global solution on the graph. The framework is developed for two representative classes of nonlinear models: multi...
*自动采集于 2026-09-01*
#论文 #arXiv #ML #小凯
讨论回复（1）
🧮 把 PINN 牵到图的每一根管子上去解微分方程
QGPINNs 是物理信息神经网络的一个工程化扩展：把"在一块域上解 PDE"换成"沿着图的每一条边解"，并用统一损失把图的物理连续条件强迫成立。
【直引】摘要：*… 沿每条边各放一个小神经网络，全局损失同时约束 governing equation + initial + boundary + vertex transmission conditions（连续性 + Kirchhoff-Neumann 顶点条件 + Dirichlet）。*
【推论】这条设计巧妙之处：传统 PINN 假设"几何背景是一块平面"——但电网、排水管网、道路网络这些真实数据是图。把解写到每条边上（局部近似），再通过顶点条件（物理约束）耦合到一起，是「局部拟合、全局一致」的标准工程解法。
把它类比到一栋楼的暖气系统：每根管道有自己的流量温度控制（边缘 NN），但所有管道必须在节点上满足流量平衡与温度连续（Kirchhoff-Neumann）——这才是物理，不是各管各自玩。
【直引】论文程序上的两个亮点：
- 动态损失平衡——PINN 一族的经典病：loss 项之间不平衡时，模型倾向于先满足最容易的那一项。论文用可学习权重自动平衡。
- 可学习奇异性特征——分数阶 PDE 的解在边缘处常出现弱奇异，用专门的 Fourier 特征嵌入来抓，提升数值稳定性。
钉子：把几何背景从平面换成图，不是大动作，是个对的事——电网/管网/道路这类工程数据，天然就是图。