信息表征-损失优化改进的物理信息神经网络求解偏微分方程.pdfVIP

物理学报

Acta

Phys.

Sin.Vol.74,No.18(2025)188701

信息表征-损失优化改进的物理信息

神经网络求解偏微分方程*

张照阳

王青旺†

(昆明理工大学信息工程与自动化学院,

昆明650500)

(2025

年5

月30日收到;

2025

年7

月20日收到修改稿)

物理信息神经网络(PINNs)作为人工智能助力科学研究(AI

for

Science)求解偏微分方程(PDEs)的一

种无网格化求解框架,

近年来受到广泛关注.

然而,

传统PINNs存在局限性:

一方面,

PINNs网络结构使用单

向信息传递的多层感知机(MLPs),

难以有效聚焦序列数据中蕴含的关键特征,

信息表征能力弱;

另一方面,

PINNs的损失函数为嵌入物理约束的二次罚函数,

其未受约束而无限膨胀的惩罚因子影响模型训练寻优效

—

率.

为应对上述挑战,

本文提出一种基于信息表征-损失优化改进的PINNsallaPINNs,

旨在增强模型关键

特征提取和训练寻优能力,

提升其求解PDEs数值解的准确性和泛化能力.

在信息表征方面,

allaPINNs引入

高效线性注意力(LA)增强模型关键特征识别能力,

同时降低权重动态加权的计算复杂度.

在损失优化方面,

allaPINNs通过引入增广拉格朗日(AL)函数重构目标损失函数,

利用可学习的拉格朗日乘子和惩罚因子有

效调控各损失残差项的相互作用.

由Helmholtz,

Black-Scholes,

Burgers和非线性Schrödinger四个基准方程

验证allaPINNs的有效性.

结果表明,

allaPINNs能够有效求解不同类型PDEs,

并展现出卓越的数值解预测精

度与泛化能力.

相较于当前先进PINNs,

其预测精度提升一至两个数量级.

关键词:物理信息神经网络,

线性注意力,

增广拉格朗日函数,

偏微分方程求解

PACS:

87.85.dq,

02.60.Cb,

02.30.JrDOI:10.7498/aps.74

CSTR:

32037.14.aps.74

在于其对物理和金融现象的精确描述,

还在于其为

[4]

相关理论的深化与发展提供了强大的数学支持.

1

引言

通过对PDEs的研究,

可以发现新的物理现象和规

偏微分方程(PDEs)在物理学和金融数学中律,

例如孤立子理论的诞生.

然而,

只有少数PDEs

[5]

具有极为重要的作用和意义,

是描述物理现象和金具有解析解.

因此,

建立合适且高效的数值算法

融模型的核心工具,

广泛应用于流体力学、量化金