HypNO：基于图的神经算子，采用物理信息消息传递求解双曲守恒律

# 基于物理信息消息传递的双曲守恒律图神经算子 来源：https://arxiv.org/html/2607.20541 Cassie An Jeng2cassie\.jeng@berkeley\.eduKatie Wang2katiewang@berkeley\.eduSonia Vanier1sonia\.vanier@polytechnique\.eduAlexandre Bayen2bayen@berkeley\.edu Hossein Nick Zinat Matin1通讯作者：hossein\.matin@polytechnique\.edu ###### 摘要 本文提出 HypNO，一种用于标量双曲守恒律的图神经算子。HypNO 直接在有限体积单元构成的时空图上操作，并采用基于邻接关系、融入物理信息的消息传递机制，以尊重逆风性和激波附近的熵可接受性。我们在 Lighthill-Whitham-Richards (LWR) 和 Aw-Rascle-Zhang (ARZ) 交通流模型上对该架构进行了基准测试，由于这些模型同时存在全局输运和激波形成，对算子学习方法构成了严峻考验。HypNO 能够在一系列初始条件下准确预测解的瞬时快照，同时捕捉解中的激波和不连续性。 1法国巴黎综合理工大学计算机科学实验室 (LIX) 2美国加州大学伯克利分校电气工程与计算机科学系 关键词：双曲型偏微分方程、守恒律、神经算子、图神经网络、消息传递、激波捕捉、LWR 交通流模型、ARZ 交通流模型。 ## 1 引言 偏微分方程 (PDE) 是连续介质物理学和工程学的基础语言，描述着流体动力学、电磁学、气候以及交通流[9 (https://arxiv.org/html/2607.20541#bib.bib11)]等众多现象。然而，除了少数理想化的几何形状和线性区域外，这些方程很少能获得闭式解；在一般的非线性情况下，必须通过数值计算来近似求解[14 (https://arxiv.org/html/2607.20541#bib.bib1),35 (https://arxiv.org/html/2607.20541#bib.bib2)]。因此，历史上数值方法一直是求解 PDE 的实用途径。有限差分、有限体积和有限元方法是数值计算的标准工具[14 (https://arxiv.org/html/2607.20541#bib.bib1),35 (https://arxiv.org/html/2607.20541#bib.bib2)]，对于具有间断解的问题，高阶基本无振荡格式（如 WENO）提供了稳定且高分辨率的近似[32 (https://arxiv.org/html/2607.20541#bib.bib3)]。数值求解器可靠、可解释，并且有成熟的稳定性和收敛理论支持。然而，其成本随问题复杂度而增加；每个新的初始条件或参数设置通常都需要在足够精细的网格上进行完整的顺序时间积分。

机器学习近年已成为数值计算的一种补充（有时是替代）途径[9 (https://arxiv.org/html/2607.20541#bib.bib11),28 (https://arxiv.org/html/2607.20541#bib.bib9)]。学习模型并非取代数值分析，而是可以在相关输入族之间分摊计算成本，在前期训练阶段之后提供快速推理。这对于参数研究、设计循环和实时预测尤为具有吸引力，因为这些场景中需要在变化的数据下多次求解相同的控制方程。

本文研究针对非线性双曲守恒律的*算子学习*：学习一个从初始数据 u₀(x) 到完整时空解 u(x, t) 的映射。我们提出 HypNO（*Hyperbolic Neural Operator*，双曲神经算子），这是一种基于图的架构，用单元图上的因果时空消息传递取代傅里叶算子的全局谱混合。消息基于有限体积界面特征（通量、特征速度和逆风方向）进行条件处理，因此模型倾向于沿特征线进行输运，而非各向同性的局部平滑。我们在标量 Lighthill-Whitham-Richards (LWR) 交通流模型[20 (https://arxiv.org/html/2607.20541#bib.bib4),29 (https://arxiv.org/html/2607.20541#bib.bib5)] 和 Aw-Rascle-Zhang (ARZ) 系统[1 (https://arxiv.org/html/2607.20541#bib.bib6)] 上评估 HypNO，并在激波主导的初始数据上与最先进的神经算子 FNO 以及成熟的数值求解器（WENO、Godunov 和 HLL）进行基准比较。我们的贡献可简要概括为：一种一次性双曲神经算子，它将初始条件提升到因果时空图上，通过具有有限体积边缘特征的物理门控消息传递，并直接映射到完整的解场。第2节 (https://arxiv.org/html/2607.20541#S2) 将 HypNO 与数值结构化的、物理信息驱动的、基于算子的和通用图学习求解器进行了对比；第4节 (https://arxiv.org/html/2607.20541#S4) 至 5.2 节 (https://arxiv.org/html/2607.20541#S5.SS2) 阐述了架构并报告了分层 LWR 和 ARZ 基准测试结果；第6节 (https://arxiv.org/html/2607.20541#S6) 总结了局限性和未来方向。

## 2 背景与相关工作

### 2.1 双曲型偏微分方程

双曲型偏微分方程和守恒律描述的是被输运但不会被创造或消灭的量[14 (https://arxiv.org/html/2607.20541#bib.bib1),35 (https://arxiv.org/html/2607.20541#bib.bib2)]。信息沿特征线以由局部状态决定的速度传播，使得剖面不同部分可以以不同速率移动。当通量是非线性时，特征线可能汇聚相交，形成激波，或分散开来，形成稀疏波；因此，即使从光滑初始数据出发，间断也可能在有限时间内出现[14 (https://arxiv.org/html/2607.20541#bib.bib1)]。诸如交通流之类的系统则增加了更多结构：多个波族可以相互作用，接触间断可能在真正非线性激波之外持续存在[1 (https://arxiv.org/html/2607.20541#bib.bib6)]。

经典的有限体积法和迎风有限差分法正是围绕这种输运结构构建的[35 (https://arxiv.org/html/2607.20541#bib.bib2)]。Godunov 型通量尊重迎风信息，而高阶重构（如 WENO）则在光滑区域提高精度，同时在间断附近抑制虚假振荡[32 (https://arxiv.org/html/2607.20541#bib.bib3)]。这些格式仍然是激波主导问题的参考标准，但其成本随每个新实例所需的时间步数和空间自由度数量而增加。

### 2.2 基于学习的 PDE 求解器

近年来，机器学习在 PDE 方面的工作可分为四大类，区别在于它们替代或增强数值求解器的哪个组件，以及它们在推理时的计算成本。

##### 数值结构化格式。
第一类将神经网络嵌入到类似于经典求解器的时间推进过程中。FluxGNN[8 (https://arxiv.org/html/2607.20541#bib.bib27)] 在网格界面上学习数值通量，同时强制守恒性和相似性等变性。Baba 等人[2 (https://arxiv.org/html/2607.20541#bib.bib42)] 的一阶双曲守恒律和 Lichtlé 等人[19 (https://arxiv.org/html/2607.20541#bib.bib32)] 的神经有限体积框架，用可训练网络替换有限体积格式中的经典数值通量，同时保持守恒更新结构，并具有监督和无监督弱形式训练目标。混合 FEM-NN 模型[24 (https://arxiv.org/html/2607.20541#bib.bib45)] 用经典有限元对 PDE 进行空间离散，并嵌入神经网络来表示未知系数、算子或本构关系，将控制方程作为硬约束而非软惩罚施加在优化中。LRNN-DG[34 (https://arxiv.org/html/2607.20541#bib.bib44)] 将每个子域上最后一个隐藏层的输出场作为随机局部基函数，并通过间断伽辽金弱形式耦合，仅输出权重通过最小二乘法获得。这些方法具有可解释性，并能继承数值分析中的稳定性机制，但它们通常按时间顺序推进解，因此推理复杂度与传统求解器相当。

##### 物理信息神经网络 (PINNs)。
第二类训练一个神经网络来表示解场本身，并对违反控制方程、边界条件和初始数据的情况施加惩罚[28 (https://arxiv.org/html/2607.20541#bib.bib9),9 (https://arxiv.org/html/2607.20541#bib.bib11),33 (https://arxiv.org/html/2607.20541#bib.bib43)]。深度伽辽金方法[33 (https://arxiv.org/html/2607.20541#bib.bib43)] 是一种早期的无网格代表：一个深度网络全局近似解，并在随机采样的时空点批次上进行训练，以最小化 PDE 残差以及边界和初始数据。变分和弱形式变体用与测试函数积分取代了强形式残差上的配点[10 (https://arxiv.org/html/2607.20541#bib.bib10)]。训练困难现已得到充分记录：Wang, Yu, 和 Perdikaris[37 (https://arxiv.org/html/2607.20541#bib.bib35)] 通过神经正切核理论分析了 PINN 的失败模式，显示了损失各分量之间不匹配的收敛速度。对于双曲守恒律，标准 PINN 假设足够光滑，并可能在激波和接触间断附近失效，因为那里的强形式导数没有意义[4 (https://arxiv.org/html/2607.20541#bib.bib39)]。Mishra 和 Molinaro[23 (https://arxiv.org/html/2607.20541#bib.bib38)] 以训练误差和求积误差为界，限定了 PINN 在正问题上的泛化误差，而 De Ryck, Mishra, 和 Molinaro[4 (https://arxiv.org/html/2607.20541#bib.bib39)] 引入了弱 PINN (wPINNs)，通过基于 Kružkov 熵的极小-极大公式来瞄准熵解。对于双曲系统，Patel 等人[25 (https://arxiv.org/html/2607.20541#bib.bib34)] 采用了时空控制体积离散化，比基于配点的 PINN 更直接地强制守恒性和热力学一致性。这些进展表明，物理信息学习可以做到严格，但在初始条件参数族之间的一次性推理仍然不在常规 PINN 框架之内。

##### 基于算子的格式。
第三类直接学习无限维函数空间之间的映射，使得训练后的模型可以跨离散化迁移，而不是绑定到固定网格[13 (https://arxiv.org/html/2607.20541#bib.bib15)]。DeepONet[22 (https://arxiv.org/html/2607.20541#bib.bib13)] 通过独立的分支网络和主干网络对输入函数和查询坐标 (x,t) 进行编码，其内积定义了预测场。傅里叶神经算子 (FNO)[17 (https://arxiv.org/html/2607.20541#bib.bib14)] 将输入提升到潜在空间，并在傅里叶空间中应用全局卷积，实现快速全局混合和分辨率不变的参数共享；其物理信息扩展 PINO[18 (https://arxiv.org/html/2607.20541#bib.bib16)] 添加了 PDE 残差正则化项。相关架构包括多极图算子[15 (https://arxiv.org/html/2607.20541#bib.bib18)]、时空谱图算子[31 (https://arxiv.org/html/2607.20541#bib.bib19)] 和更深的 U 形算子网络[27 (https://arxiv.org/html/2607.20541#bib.bib36)]。训练后，这些模型可以在一次前向传播中预测新初始条件的全场时空解，这对于参数研究和实时应用很有吸引力[9 (https://arxiv.org/html/2607.20541#bib.bib11)]。算子学习在相对光滑的 PDE 族上最为成功；对于双曲问题，全局谱混合偏向于光滑函数，往往会模糊尖锐前沿[11 (https://arxiv.org/html/2607.20541#bib.bib12)]。FNO 框架内的混合通量学习方案[12 (https://arxiv.org/html/2607.20541#bib.bib29)] 和守恒编码算子[21 (https://arxiv.org/html/2607.20541#bib.bib28)] 已开始弥补这一差距，尽管形成激波的标量律仍然研究不足。

##### 基于图的求解器。
第四类用图上的消息传递取代经典时间推进和全局谱混合[16 (https://arxiv.org/html/2607.20541#bib.bib17),3 (https://arxiv.org/html/2607.20541#bib.bib21),26 (https://arxiv.org/html/2607.20541#bib.bib20),7 (https://arxiv.org/html/2607.20541#bib.bib37)]。图神经网络 (GNN) 通过聚合来自邻居节点的学习消息，并通过学习的更新机制将其与每个节点现有特征结合，来迭代地细化节点表示。图核神经算子[16 (https://arxiv.org/html/2607.20541#bib.bib17)] 将算子学习形式化为域离散化上的消息传递。物理嵌入网络[7 (https://arxiv.org/html/2607.20541#bib.bib37)] 将边界条件和隐式时间步长嵌入到等变 GNN 中。MeshGraphNets[26 (https://arxiv.org/html/2607.20541#bib.bib20)] 和消息传递 PDE 求解器[3 (https://arxiv.org/html/2607.20541#bib.bib21)] 学习非结构化网格上以及跨分辨率下的局部相互作用。与谱算子相比，消息传递强调邻域结构而非全局混合。因此，关键的设计问题是消息应携带什么信息。大多数现有的基于 GNN 的 PDE 求解器依赖通用边缘特征（坐标差、状态跳变或潜在内积），并未显式编码通量、特征速度、逆风方向或兰金-于戈尼奥结构。对于双曲问题，这是一个根本性的限制：相关的模板不是对称的，信息流的方向取决于解本身。FluxGNN[8 (https://arxiv.org/html/2607.20541#bib.bib27)] 朝着守恒感知通量学习迈进，但保留了顺序时间推进，而具有显式双曲边缘结构的一次性图算子尚未建立。

##### 我们的贡献。
HypNO 将算子学习与因果时空单元图上的物理门控消息传递相结合（第4节 (https://arxiv.org/html/2607.20541#S4)）。训练后，单次前向传播将初始条件映射到整个时空场，因此评估复杂度随网络深度缩放，而不是随经典或混合积分器所需的时间步数缩放。这是相对于数值结构化学习求解器[8 (https://arxiv.org/html/2607.20541#bib.bib27),2 (https://arxiv.org/html/2607.20541#bib.bib42),19 (https://arxiv.org/html/2607.20541#bib.bib32),3 (https://arxiv.org/html/2607.20541#bib.bib21)] 的核心操作优势，后者将网络嵌入到顺序时间推进循环中。相对于物理信息网络[28 (https://arxiv.org/html/2607.20541#bib.bib9),4 (https://arxiv.org/html/2607.20541#bib.bib39),25 (https://arxiv.org/html/2607.20541#bib.bib34)]，HypNO 不在配点处最小化强形式残差（这些点在激波和接触间断处导数失效），而是直接学习解算子，并通过从每层解码的物理探测计算出的有限体积界面量（通量、特征速度、兰金-于戈尼奥速度、逆风方向以及基于熵和 CFL 的门控）来偏置预测。在具有精确解或波前追踪真值（第5.2节 (https://arxiv.org/html/2607.20541#S5.SS2)）的分层 LWR 和 ARZ 基准测试中，HypNO 在间断主导的初始数据上获得了显著更低的密度误差。