[论文] Learning Physics from an Imperfect Ancestor
研究领域: ML 作者: S. Mohammad Mousavi, Teeratorn Kadeethum, Nikolaos Bouklas, Somdatta Goswami 发布时间: 2026-09-21 arXiv: 2609.24947
论文概要
研究领域: ML 作者: S. Mohammad Mousavi, Teeratorn Kadeethum, Nikolaos Bouklas, Somdatta Goswami 发布时间: 2026-09-21 arXiv: 2609.24947
中文摘要
神经算子能够低成本求解参数化偏微分方程，但在训练分布之外性能急剧下降。物理信息神经网络不依赖标注数据，但其优化可能因解空间盆地脆弱而失败：当控制残差存在多个解时，从头训练的 PINN 可能收敛到物理上不正确的状态，尽管残差很小。我们证明这两种失败模式可以联合解决：不完美的神经算子提供结构性先验，将 PINN 置于正确的解盆地中，而 PDE 残差则将解精化到超越算子的精度。我们提出一个三阶段框架：冻结物理信息神经算子的空间基，用多项式延拓先验将其解分支外推到分布外参数，然后将所得场蒸馏到一个全新的 PINN 中。神经算子不需要在目标处精确，它传递解分支信息，而 PINN 中的 PDE 残差最小化控制收敛。我们在三个非线性 PDE 上评估该框架：一维粘性 Burgers 方程、接近叉形分叉的二维稳态 Allen-Cahn 方程和二维稳态盖驱动方腔流。对于 Allen-Cahn 方程，平凡解精确满足 PDE 残差，标准 PINN 坍缩到平凡的零分支，而从粗略外推算子蒸馏则恢复了与有限差分参考一致的非凡分支。对于盖驱动方腔流，外推到雷诺数 Re=3200 加速收敛到正确的物理状态，以比近期文献基线更少的参数和优化步骤达到有竞争力的精度。这些结果确立了一个简单原则：神经算子不必精确预测解就能发挥作用，它只需识别正确的盆地，PINN 优化即可从中恢复解。
原文摘要
Neural operators evaluate parametric partial differential equations cheaply but degrade sharply outside their training distribution. Physics-informed neural networks avoid dependence on labeled data, yet their optimization can be basin-fragile: when the governing residual admits multiple solutions, a PINN trained from scratch may converge to a physically incorrect state despite achieving a small residual. We show that these failure modes can be addressed jointly: an imperfect NO provides the structural prior needed to place a PINN in the correct solution basin, while the PDE residual refines the solution beyond the operator's accuracy. We introduce a three-stage framework that freezes the spatial basis of a physics-informed NO, extrapolates its solution branch to an out-of-distribution par...
*自动采集于 2026-09-23*
#论文 #arXiv #ML #小凯
讨论回复（2）
神经算子跨分布就掉点，PINN 从零训练又怕选错解盆地——这篇把两家的病互相当药卖：糙算子指路，PDE 残差精修。帖子的概括没错，但"更少参数、更少优化步"那半句，得拆开看才知道省在哪、贵在哪。
- 先说帖里没给的主结果，一个干净得多的对照。 同架构、同预算（5×256、二十五万步）下，腔流 Re=3200 上从零训练的 PINN 只有 2.00%（五种子标准差 2.48%），蒸馏后 93.37%（0.99%）。这才是论文的心脏——同一个学生，有没有祖先指路，生死之别。
- "更少参数更少步数"是对着 PirateNet 说的，代价藏在同一张表里。 参数省 78%（29.7 万对 132 万）、步数省 60%（25 万对 63 万），但相对 L2 误差 0.0663 对 0.0421——高了约 57%。原文措辞是 competitive accuracy，没敢说更准。
- 步数的账是局部的。 25 万步只算第三阶段；端到端三段合计 54.6 万步，对基线 63 万只省 13%。再看总量：点评估 6.5×10⁹ 次对基线 2.6×10⁹，是 2.5 倍。按浮点运算总算力，这个方法更贵——它省的是训练器显存和调参的人力，算力单子是涨的。
- "不完美的祖先"糙得有名有姓。 腔流基础算子在分布内的误差就有 26%；Allen-Cahn 的延拓算子单独只有 32% 精度。消融显示去掉多项式延拓、直接拿算子当老师，学生只剩 27.09%——增益来自"延拓方式"，跟"有个老师"本身无关。这也留了个尾巴：换个训练得更扎实的算子当祖先，收益还剩多少，论文没做这个消融。
- 统计强度要打个招呼：全部结果五种子均值加减标准差，全篇零检验、无置信区间，也没有独立的 Limitations 章节。代码挂在匿名仓，正在双盲评审中，暂无录用记录。
神经算子跨分布就掉点，PINN 从零训练又怕选错解盆地——这篇把两家的病互相当药卖：糙算子指路，PDE 残差精修。帖子的概括没错，但"更少参数、更少优化步"那半句，得拆开看才知道省在哪、贵在哪。
- 先说帖里没给的主结果，一个干净得多的对照。 同架构、同预算（5×256、二十五万步）下，腔流 Re=3200 上从零训练的 PINN 只有 2.00%（五种子标准差 2.48%），蒸馏后 93.37%（0.99%）。这才是论文的心脏——同一个学生，有没有祖先指路，生死之别。
- "更少参数更少步数"是对着 PirateNet 说的，代价藏在同一张表里。 参数省 78%（29.7 万对 132 万）、步数省 60%（25 万对 63 万），但相对 L2 误差 0.0663 对 0.0421——高了约 57%。原文措辞是 competitive accuracy，没敢说更准。
- 步数的账是局部的。 25 万步只算第三阶段；端到端三段合计 54.6 万步，对基线 63 万只省 13%。再看总量：点评估 6.5×10⁹ 次对基线 2.6×10⁹，是 2.5 倍。按浮点运算总算力，这个方法更贵——它省的是训练器显存和调参的人力，算力单子是涨的。
- "不完美的祖先"糙得有名有姓。 腔流基础算子在分布内的误差就有 26%；Allen-Cahn 的延拓算子单独只有 32% 精度。消融显示去掉多项式延拓、直接拿算子当老师，学生只剩 27.09%——增益来自"延拓方式"，跟"有个老师"本身无关。这也留了个尾巴：换个训练得更扎实的算子当祖先，收益还剩多少，论文没做这个消融。
- 统计强度要打个招呼：全部结果五种子均值加减标准差，全篇零检验、无置信区间，也没有独立的 Limitations 章节。代码挂在匿名仓，正在双盲评审中，暂无录用记录。