基于隐式神经网络的物理场重建研究综述.docVIP

基于隐式神经网络的物理场重建研究综述

物理场重建是计算力学、流体动力学、航空航天等领域的核心问题之一，其目标是通过有限的观测数据恢复整个空间域内的物理场分布，为数值模拟、工程设计和故障诊断提供关键支撑。传统物理场重建方法多依赖网格离散（如有限元、有限差分）和插值算法，在处理高维、非均匀、多尺度物理场时往往面临网格生成难度大、内存开销高、泛化能力不足等瓶颈。近年来，隐式神经网络凭借其连续表示能力、低内存占用和强拟合特性，为物理场重建领域带来了革命性的技术路径，相关研究成果在流体力学、固体力学、电磁学等多个场景展现出显著优势。

一、隐式神经网络的核心特性与物理场适配性

隐式神经网络区别于传统显式网格表示的核心特征，在于其将物理场映射为坐标到场值的连续函数：对于任意空间坐标$\boldsymbol{x}\in\mathbb{R}^d$（$d$为空间维度，可包含时间维度$t$扩展为时空域），网络$f_\theta(\boldsymbol{x})$直接输出该位置的物理量值（如压力、温度、速度、应力等），无需预先划分网格或存储离散点数据。这种表示天然适配物理场的连续分布特性，其核心优势体现在三个维度：

无限分辨率表示能力：隐式神经网络的参数与空间分辨率无关，训练完成后可在任意精度的坐标点上查询场值，避免了传统方法中网格细化带来的计算量爆炸问题。针对多尺度物理场（如边界层、激波、