PINN新突破：自动追踪激波位置，配点预算有限也能精准解析！
Feature tracking in physics-informed neural networks via joint optimization of nonlinear deformation manifolds: application to shocks
📖 AI 总结
物理信息神经网络（PINN）在求解含激波的守恒律时，常因均匀配置点对局部特征采样不足而导致残差被已解析区域主导，从而收敛到不准确的解。针对这一问题，作者提出特征跟踪型PINN（FT-PINN）：将解网络定义在固定参考域上，并与来自参数化非线性流形的微分同胚变形映射复合，通过联合优化变形参数与解网络参数来最小化拉回后的守恒律残差。该方法无需预先知道激波位置，即可使配置点自动聚集于任意几何形态的特征附近，包括弯曲、斜向及合并激波；边界通过位移的切向投影精确保持，并利用雅可比行列式的单侧惩罚抑制折叠。在四个测试问题（含合并激波的时空粘性Burgers、减速Burgers激波、时空Euler激波管及稳态二维Euler规则激波反射）上，FT-PINN在有限配置点预算下准确定位激波，而相同架构与预算的普通PINN则定位错误或无法形成激波。
🔑 关键词速览
| 物理信息神经网络 (PINNs) | 将物理方程（如偏微分方程）作为正则项嵌入神经网络损失函数，使网络在数据稀缺时也能逼近物理规律的一类科学机器学习方法。 |
| 特征跟踪PINN (FT-PINN) | 本文提出的改进模型，通过联合学习一个变形映射，使配点自适应地聚集到激波等局部特征附近，从而提高求解精度。 |
| 微分同胚变形映射 | 一种光滑且可逆的坐标变换，用于将固定参考域上的解映射到物理域，从而灵活捕捉任意几何形状的特征。 |
| 守恒律 | 描述物理量（如质量、动量、能量）在时空演化中总量保持不变的偏微分方程，常出现激波等间断解。 |
| 雅可比行列式 | 描述坐标变换局部体积变化率的量，其符号和大小用于检测映射是否发生折叠或奇异，本文通过单侧惩罚避免折叠。 |
📱 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