跨参数PDE典范算子学习的方程重塑

# 跨参数偏微分方程标准算子学习的方程重构  
来源：https://arxiv.org/html/2609.02982  

###### 摘要  
在宽参数范围内学习解算子，通常需要同时覆盖输入函数与物理参数空间，这对纯数据驱动的参数模型尤为困难。此外，这类模型可能在训练分布外产生看似合理但实际失效的预测。我们提出**方程重构**方法，将参数化算子学习转化为对单一标准算子的学习。通过解析推导控制方程，将参数引起的算子变化吸收为有效源项，从而实现跨新参数区间的零样本预测。在多参数、非线性和奇异偏微分方程场景中，方程重构支持外推预测，能将稀疏异构数据集融合于统一的标准表示中，并以收敛性损失作为重构迭代失效的内部预警信号。在核聚变高保真托卡马克模拟中，该框架通过标准域映射，将四种装置几何下的电子温度数据统一于一个联合训练的算子中。方程重构为构建可复用神经偏微分方程求解器提供了新途径，融合了方程引导的迁移学习、数据效率和可监控推理能力。  

齐云成¹,\*，瓦伦丁·杜伊索²，塞萨尔·F·克劳泽¹，迈德·侯赛因·萨哈达特³，杨辉华³，潘绍武³，纳撒尼尔·费拉罗⁴，阿尼玛·阿南德库马尔²，季伟³,\*，克里斯蒂娜·雷亚¹,\*  
¹等离子体科学与聚变中心，麻省理工学院，美国马萨诸塞州剑桥市  
²计算与数学科学学院，加州理工学院，美国加利福尼亚州帕萨迪纳市  
³机械、航空航天与核工程系，伦斯勒理工学院，美国纽约州特洛伊市  
⁴等离子体物理实验室，普林斯顿大学，美国新泽西州普林斯顿市  
\*\*脚注：通讯作者：[email protected], [email protected], [email protected]  
关键词：算子学习；参数化偏微分方程；方程重构；神经算子  

科学机器学习中许多关键应用——从聚变等离子体控制到实时数字孪生——都依赖于偏微分方程的代理模型，而这些方程的控制算子随物理参数变化[1,2,3]。有效的代理模型不仅需要泛化固定偏微分方程的解空间，还需覆盖共享控制形式的相关方程族。这一挑战尤为艰巨：高保真模拟成本高昂，参数配置往往稀疏且不均匀采样，而神经算子可能在未经验证的区间产生看似合理的不可靠预测。可靠的参数化偏微分方程学习关键在于：如何表征参数变化、有限数据如何有效覆盖相关区间，以及如何在不可靠预测被使用前识别它们。  

现有方法虽部分解决了上述问题，但仍存在重要缺口。第一类是**直接参数化学习**，模型直接将源项、参数（有时包括几何）映射到解。物理信息神经网络将控制方程嵌入训练目标，参数作为附加输入[4,1]，在有限数据或无数据条件下表现出色[5,6,7,8,9]。算子学习构建函数空间间的映射，在多种参数化偏微分方程设置中展现出强大泛化能力，尽管性能可能依赖于训练分布的覆盖度与表示方式[2,10,11,12,13,14,15,16,17]。物理信息算子学习将偏微分方程残差损失与函数空间泛化能力相结合[18,19,20,21,22]。相关方法还将学习到的算子作为经典求解器中的迭代或预条件组件[23,24,25]。在这些框架中，参数变化通常通过输入通道、条件变量、几何编码、残差约束或训练采样分布来承载。因此，可靠性能可能对训练或物理信息优化期间代表的参数配置敏感，这在高保真数据稀疏时形成限制[26,27]。  

第二类是**迁移学习与自适应**，包括微调和元学习，旨在跨配置重用模型[28,29,30,31,32,33]。这类方法可在离散区间迁移模型，但仍主要将泛化视为统计自适应问题，未直接解决有限覆盖下的连续参数变化问题。  

第三类是**经典微扰、延拓与降阶方法**，利用泰勒展开、分支跟踪或仿射参数分解等解析结构，在参数变化中传播解[34,35,36]。密切相关的定点与缺陷校正方案通过反复应用近似或冻结的算子逆，同时反馈与目标算子的残差[37,34,35]。这些方法为迭代校正提供了数值先例，但通常被表述为特定问题的数值程序，而非可复用的学习代理。  

方程重构通过改变学习对象来解决上述缺口（图1）。它不再训练模型来表示整个参数索引的逆算子族，而是通过控制方程解析处理参数引起的算子变化，将学习简化为逼近单一标准算子。考虑解场u与源项S的偏微分方程：  
\[
\mathcal{O}(\mathbf{p})[u] = S, \tag{1}
\]  
其中\(\mathcal{O}(\mathbf{p})\)是参数配置\(\mathbf{p}\)下的控制算子。固定参考配置\(\mathbf{p}^*\)定义标准算子\(\mathcal{O}^* \equiv \mathcal{O}(\mathbf{p}^*)\)。对于目标配置\(\mathbf{p}\)（偏移\(\delta\mathbf{p} = \mathbf{p} - \mathbf{p}^*\)），算子差  
\[
\mathcal{O}_\delta(\delta\mathbf{p})[u] = \mathcal{O}(\mathbf{p})[u] - \mathcal{O}^*[u]
\]  
可将偏微分方程精确改写为：  
\[
\mathcal{O}^*[u] = S - \mathcal{O}_\delta(\delta\mathbf{p})[u] = S_{\mathrm{eff}}. \tag{2}
\]  
该变换保持控制物理不变，但将参数引起的算子变化重新定位到结构化的有效源项中，同时保持求解与单一标准问题绑定。我们用神经算子\(\mathcal{G}^*_N \approx (\mathcal{O}^*)^{-1}\)逼近标准逆算子，并通过定点迭代求解目标配置：  
\[
u^{k+1} = \mathcal{G}^*_N\!\left[S_{\mathrm{eff}}^{\,k}\right], \quad S_{\mathrm{eff}}^{\,k} = S - \mathcal{O}_\delta(\delta\mathbf{p})[u^k], \quad k = 1, 2, 3, \dots \tag{3}
\]  

方程重构通过解析重构而非依赖模型从采样配置中推断参数依赖性来实现泛化。在离散参数配置下生成的稀疏异构数据可被重构为相同的标准表示，在不密集采样参数空间的情况下丰富有效源项空间。推理变为迭代重构求解，其收敛性提供了额外诊断：当参数引起的解变化与学习的标准区间兼容时，迭代收敛到自洽预测；在奇异点、共振区或其他不连续的算子区间附近，缓慢收敛或发散表明延续路径已不可靠。这种行为提供了诊断工具，使可能在直接代理预测中隐藏的故障变得可见。由于重构在方程层面定义，它不限制特定的神经算子架构，允许网络自由采用神经算子或物理信息设计的最新进展。  

本工作建立三大主要贡献：  
1. 方程重构将解析已知的算子变化与学习逆算子分离，使单一标准算子可跨参数配置复用；  
2. 为不同参数值下生成的稀疏异构数据集提供统一表示，在不需密集参数采样的情况下提高源项空间覆盖度；  
3. 将推理转化为可监控的迭代过程，其收敛行为揭示了外推的重要极限。  

方程重构在一系列旨在隔离其主要特性的设置中进行评估（表1），包括多参数外推、稀疏数据效率、奇异区间行为以及非线性多尺度动力学中的数据高效外推。随后在高保真托卡马克能量方程模拟中综合验证这些特性：该应用包含复杂的时间依赖系数和源场，以及来自四种托卡马克装置几何的数据。为整合这些数据集，每个物理域通过已知的雅可比相关系数映射到共享标准域[38]，这些项与等离子体系数修正一同纳入有效源项，从而在训练中统一四种装置几何。结果表明，方程重构可与域标准化结合，在实际聚变应用中统一异构多装置数据。  

我们使用NeuralOperator库[39,40]中的模型实现标准算子，主要采用傅里叶神经算子[12,40]作为学习器。结果共同将方程重构定位为可复用神经偏微分方程求解器的框架，其中参数泛化由标准算子学习与解析方程结构支持，而非仅依赖广泛的经验覆盖。  

**图1：方程重构将参数化算子学习简化为单一标准逆算子**  
(1) 目标偏微分方程\(\mathcal{O}(\mathbf{p})[u] = S\)，参考配置\(\mathbf{p}^*\)定义标准算子\(\mathcal{O}^* = \mathcal{O}(\mathbf{p}^*)\)；  
(2) 算子差\(\mathcal{O}_\delta[u] = \mathcal{O}(\mathbf{p})[u] - \mathcal{O}^*[u]\)由控制方程解析推导；  
(3) 标准神经算子\(\mathcal{G}^*_N \approx (\mathcal{O}^*)^{-1}\)在参考配置训练一次。推理时，有效源\(S_{\mathrm{eff}}^{(k)} = S - \mathcal{O}_\delta[u^{(k)}]\)通过定点标准算子迭代更新直至收敛。  
收敛得到自洽重构解，缓慢或不收敛的迭代则表明从所选标准算子的稳定延续失效。参数依赖通过控制方程解析进入推理，学习算子保持固定。  

**表1：评估方程重构的基准偏微分方程设置**  
每个问题围绕定义标准算子的参考配置构建。对于定常问题，参数变化通过解析已知的算子差\(\mathcal{O}_\delta(\delta\mathbf{p})[u]\)引入，吸收至有效源项中，同时标准逆算子保持固定。在托卡马克应用中，几何首先映射到标准域，通过雅可比相关度量项\(\mathrm{K}\)进入变换方程，参数与几何引起的差异被纳入标准域一步算子的有效源项。  

| 目标 | 偏微分方程 | 标准配置 | 重构算子形式 |  
|-------|------------|----------|--------------|  
| **多参数外推** | 对流-扩散-反应方程(1D)<br>\(-u'' + \mathrm{Pe}\,u' + \mathrm{Da}\,u = S\) | \(\mathrm{Pe}^* = 4\), \(\mathrm{Da}^* = 2\) | \(\mathcal{O}^*[u] = S - (\mathrm{Pe} - \mathrm{Pe}^*)u' - (\mathrm{Da} - \mathrm{Da}^*)u\)<br>\(\mathrm{Pe} \in [1,20]\), \(\mathrm{Da} \in [1,20]\) |  
| **稀疏异构数据利用** | 反应-扩散方程(1D)<br>\(-u'' + k u = S\) | \(k^* = 0.785\), \(k_{\mathrm{new}} = 0.05\) | \(\mathcal{O}^*[u] = S - (k - k^*)u\)<br>\(k \in [0.01,10]\) |  
| **故障识别** | 赫尔姆霍兹方程(1D)<br>\(u'' + k^2 u = -S\) | \(k^* = 0.785\) | \(\mathcal{O}^*[u] = -S - \bigl(k^2 - (k^*)^2\bigr)u\)<br>\(k \in (0.628,0.942) \cup (0.942,1.257)\)（近共振区） |  
| **非线性多尺度算子** | 纳维-斯托克斯方程(涡量形式, 2D)<br>\(\mathbf{u} \cdot \nabla \omega - \frac{1}{\mathrm{Re}} \Delta \omega = S\) | \(\mathrm{Re}^* = 250\) | （待续） |