无数据也能训！神经算子仅靠物理约束预测界面轨迹，误差仅1.6%
A Data-Free Physics-Informed Neural Operator for Level-Set Interface Advection
📖 AI 总结
本文提出一种无需参考解数据的物理信息神经算子，用于水平集界面平流问题。传统界面算子依赖其意图替代的求解器所生成的参考解进行训练，而该工作仅使用输运残差与几何约束构建目标函数，全程不引入任何参考解。方法采用时空傅里叶骨干网络一次性输出完整轨迹，并通过构造方式而非惩罚项施加初始条件，从而消除了无解数据时锚定项与残差之间的竞争。作者在相同架构、族、预算和测试集下训练了监督与混合算子作为基线，以量化拒绝标签的代价。在反向单涡算例中，无数据算子在100个留出初始界面上取得1.614±0.067%的相对L2误差，监督基线为0.369±0.035%，相差4.4倍；在刚体旋转算例中分别为3.804±1.075%与2.576±0.159%，相差1.5倍。两个基准对方法的排序不同，差异归因于程函约束：精确解在旋转下仅0.3%区域违反梯度模为1，而在涡旋下高达86.9%。在约束有效区域，物理训练算子尽管场误差更大，其封闭面积守恒性比监督基线好2.7倍；使用八个参考解的混合方法也优于使用十六个参考解的监督方法。
🔑 关键词速览
| 物理信息神经算子 | 一种将物理方程约束融入神经网络训练中的算子学习方法，用于求解偏微分方程。 |
| 水平集界面平流 | 描述界面在流场中随时间的运动，其中界面由水平集函数的零等值线表示。 |
| 无数据训练 | 指训练过程中不使用任何参考解或标签数据，仅依赖物理残差和几何约束。 |
| 程函约束 | 要求水平集函数的梯度模长为1的几何约束，常用于保持界面距离函数的性质。 |
| 时空傅里叶主干 | 一种神经网络架构，利用傅里叶变换在时空域中一次性输出整个轨迹。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅