基于神经网络的偏微分方程反问题求解研究综述.docVIP

基于神经网络的偏微分方程反问题求解研究综述

偏微分方程作为描述自然现象演化规律的核心数学工具，广泛应用于流体力学、量子物理、生物医学、地质勘探等诸多领域。在正向问题中，已知方程参数、初始条件与边界条件求解未知场量的技术已相对成熟，但现实场景中更多面临的是反问题需求：通过可观测的场量数据反推方程的未知参数、边界条件或源项，这类问题普遍存在病态性、数据稀疏性、非线性强等挑战，传统求解方法如正则化方法、有限元反演等依赖对问题结构的先验假设，在高维、强非线性场景下计算复杂度呈指数级增长，难以满足实际应用需求。近年来神经网络技术的快速发展，为偏微分方程反问题求解提供了全新的范式，其强大的非线性拟合能力、对高维数据的处理优势，极大拓展了反问题的求解边界，相关研究成果呈现爆发式增长。

一、神经网络求解偏微分方程反问题的基础框架

基于神经网络的反问题求解框架本质上是将偏微分方程的物理约束融入网络的训练过程，实现数据驱动与物理先验的融合。核心思路是将待求解的未知量（如参数、场量）作为网络的输出或可学习参数，通过构造包含数据拟合项与物理约束项的损失函数，驱动网络逼近真实解。

（一）物理信息神经网络的核心架构

物理信息神经网络（PINN）是当前应用最广泛的基础框架，其核心创新在于将偏微分方程的残差作为正则化项加入损失函数。对于一般形式的偏微分方程：$\mathcal{F}(u(x,t);\lambda)