Physics-informed Reduced Order Modeling of Time-dependent PDEs via Differentiable Solvers¶
会议: NeurIPS 2025
arXiv: 2505.14595
作者: Nima Hosseini Dashtbayaz (UWO), Hesam Salehipour (Autodesk Research), Adrian Butscher (Autodesk Research), Nigel Morris (Autodesk Research)
代码: phi-rom.github.io
领域: 时间序列
关键词: 降阶建模, 可微分求解器, 物理信息神经网络, 隐式神经表示, 偏微分方程
一句话总结¶
提出Φ-ROM框架，将可微分PDE求解器嵌入非线性降阶模型的训练过程中，通过求解器反馈直接约束潜在空间动态，使模型在泛化到未见参数/初始条件、长时间外推、稀疏观测数据恢复等方面显著优于纯数据驱动ROM和其他物理信息方法。
研究背景与动机¶
问题背景¶
降阶建模（ROM）旨在通过将高维PDE系统压缩到低维潜在流形上实现加速仿真，广泛应用于设计优化、最优控制、逆问题等many-query工程场景。传统方法使用PCA等线性降维，新近研究采用自编码器等非线性流形ROM，并通过Neural ODE等网络学习潜在空间的时间演化。
已有工作的不足¶
- 数据驱动ROM的根本缺陷：现有非线性ROM（如DINo）完全依靠数值求解器生成数据集进行训练，一旦数据生成完毕就丢弃求解器。学到的潜在动态不保证与真实物理一致，导致误差累积、长时间外推失败、对新参数/初始条件泛化差
- 已有物理信息方法的局限：(i) PINN-ROM在损失函数中增加PINN残差项，但在非线性PDE上表现极差（受谱偏差等优化困难影响）；(ii) CROM在推理期间直接在物理空间求解PDE，但无法实现真正的降维加速，且对不输出完整物理场的INR不可行
- 求解器信息被浪费：尽管高保真数值求解器编码了离散化后的真实物理，但在所有已有框架中被完全排除在训练过程之外
核心动机¶
将数值求解器作为训练的一部分直接嵌入ROM，使潜在空间动态受真实物理约束，从而在不牺牲降维优势的前提下获得更好的泛化、外推和数据效率。
方法详解¶
整体框架¶
Φ-ROM建立在DINo框架之上，包含两个核心组件：
- 条件INR解码器 \(D_\theta\)：将低维潜在坐标 \(\alpha \in \mathbb{R}^k\) 映射为物理场 \(\hat{\mathbf{u}} = D_\theta(\alpha, \mathcal{X})\)，采用auto-decoding方案（无编码器，通过反演优化获取潜在坐标），天然支持任意网格和不规则观测
- 动态网络 \(\Psi_\phi\)：以Neural ODE形式学习潜在空间的时间演化 \(\Psi_\phi(\alpha) = \dot{\alpha}\)
核心创新：物理信息动态损失¶
关键突破在于用可微分PDE求解器 \(\mathcal{S}\) 直接计算潜在空间的"目标"时间导数。具体步骤：
- 对解码器关于 \(\alpha\) 求Jacobian：\(J_D(\alpha)\dot{\alpha} = d\hat{\mathbf{u}}/dt\)
- 用求解器 \(\mathcal{S}\) 计算重构场 \(\hat{\mathbf{u}}\) 的真实时间导数 \(d\hat{\mathbf{u}}/dt\)
- 通过伪逆投影到潜在空间：\(\dot{\alpha}^* = J_D^\dagger(\alpha) \cdot d\hat{\mathbf{u}}/dt\)
- 定义动态损失：\(L_{dyn} = \ell(\Psi_\phi(\alpha), \dot{\alpha}^*)\)
训练目标¶
联合优化重构损失和动态损失：
其中 \(\lambda \in [0.5, 0.8]\) 控制正则化强度。由于 \(\mathcal{S}\) 可微，\(L_{dyn}\) 的梯度通过求解器反向传播到解码器参数 \(\theta\) 和潜在流形 \(\Gamma\)，起到物理正则化效果。
超降维加速¶
直接计算完整Jacobian和求解最小二乘问题的成本随空间网格 \(N\) 增长。论文采用随机超降维策略： - 对每个训练快照，随机子采样 \(\gamma N\)（\(\gamma=0.1\)）个空间点 - 仅在子采样点上构建Jacobian和求解最小二乘 - 使用前向模式自动微分计算Jacobian
稀疏数据训练¶
由于INR解码器天然支持任意网格，训练数据可在不规则稀疏网格 \(\mathcal{X}_{tr}\) 上提供，而求解器在其专用网格 \(\mathcal{X}_\mathcal{S}\) 上计算。重构损失在 \(\mathcal{X}_{tr}\) 上计算，动态损失在 \(\mathcal{X}_\mathcal{S}\) 上计算，实现灵活的数据同化。
参数化动态网络¶
对于参数化PDE（如不同Reynolds数），将参数 \(\beta\) 经可训练线性变换后与 \(\alpha\) 拼接输入动态网络：\(\dot{\alpha} = \Psi(\alpha, \beta)\)，使模型能跨参数泛化。
实验关键数据¶
实验1：物理信息策略对比（Diffusion & Burgers'）¶
在2D扩散方程和1D Burgers方程上，对比Φ-ROM与DINo（纯数据驱动）、PINN-ROM、CROM三种物理信息方法：
| 方法 | Diffusion \([0,T_{tr}]\) | Diffusion \([T_{tr},T_{te}]\) | Burgers' \([0,T_{tr}]\) | Burgers' \([T_{tr},T_{te}]\) |
|---|---|---|---|---|
| Φ-ROM | 0.080 | 0.034 | 0.021 | 0.028 |
| DINo | 0.089 | 0.051 | 0.021 | 0.060 |
| PINN-ROM | 0.081 | 0.042 | 0.088 | 0.348 |
| FD-CROM | 0.131 | 0.351 | 0.001 | 0.044 |
| AD-CROM | 0.093 | 0.106 | 0.121 | 0.196 |
| ↓AD-CROM | 0.456 | 0.856 | 0.090 | 0.212 |
关键发现：PINN-ROM和AD-CROM在非线性Burgers方程上严重失败（外推误差0.348和0.196），FD-CROM虽然训练窗口内精度极高但外推退化，Φ-ROM在所有外推场景中表现最优。
实验2：复杂PDE泛化性能（N-S & KdV & LBM）¶
在2D Navier-Stokes湍流衰减（64x64网格，256条轨迹训练）、2D KdV方程（512条轨迹）和2D绕圆柱流（LBM，Reynolds数参数化）上的对比：
| 问题 | 设定 | Φ-ROM 测试插值 | DINo 测试插值 | Φ-ROM 测试外推 | DINo 测试外推 |
|---|---|---|---|---|---|
| N-S | 全网格训练 | 0.170 | 0.580 | 0.373 | 1.543 |
| N-S | 5%稀疏训练 | 0.192 | 0.584 | 0.397 | 1.450 |
| N-S | 2%稀疏训练 | 0.189 | 0.594 | 0.394 | 1.517 |
| KdV | 全网格训练 | 0.233 | 0.459 | 0.486 | 0.728 |
| KdV | 5%稀疏训练 | 0.248 | 0.543 | 0.499 | 0.851 |
| LBM | 全网格(域外β) | 0.115 | 0.457 | 0.180 | 0.566 |
| LBM | 2%稀疏(域外β) | 0.188 | 0.412 | 0.303 | 0.507 |
N-S外推中Φ-ROM比DINo好4倍以上（0.373 vs 1.543）。在仅2%观测点的稀疏训练下，Φ-ROM在N-S上仍保持接近全网格训练的精度（0.394 vs 0.373），而DINo严重退化。
亮点¶
- 方法论创新：首次将可微分PDE求解器嵌入非线性ROM训练循环，通过求解器梯度反传直接物理约束潜在空间，概念简洁而效果显著
- 全面优越性：在5个不同PDE和5种不同数值方法（有限差分、谱方法、有限体积、Lattice Boltzmann）上均展现一致的泛化和外推优势，验证了框架的鲁棒通用性
- 稀疏数据能力：仅用2%-5%的空间观测点训练即可恢复全场解，为场重建和数据同化提供实用框架
- 开源与可扩展：提供基于JAX的开源实现，可方便扩展到新PDE和新求解器
局限与展望¶
- 需要可微分求解器：要求PDE求解器在JAX/PyTorch等框架中实现并支持自动微分，限制了对legacy代码的即用性
- 训练成本增加：相比纯数据驱动方法，每步训练需额外执行求解器前向+反向传播和Jacobian计算
- 仅限一阶时间导数PDE：当前框架假设 \(\dot{u} = \mathcal{N}(u;\beta)\) 形式，未覆盖波动方程等高阶时间导数PDE和稳态PDE
- 大规模3D问题：超降维在高维空间的可扩展性尚未验证，需进一步优化
- 解码器精度瓶颈：DINo在训练集内精度更高（如N-S: 0.036 vs 0.064），说明物理正则化在一定程度上牺牲了训练集拟合精度
与相关工作的对比¶
- DINo (Yin et al. 2023)：Φ-ROM的直接基线，同样使用INR解码器+Neural ODE动态网络，但纯数据驱动训练导致泛化差、外推误差累积严重
- CROM (Chen et al. 2021)：在推理时在物理空间直接求解PDE，但无真正降维加速，且对复杂PDE（需要多物理场如压力+速度）不可行；子采样后精度骤降
- PINN-ROM：用自动微分计算PDE残差作为正则化，但在非线性PDE上受谱偏差等优化困难影响严重失败（Burgers外推误差0.348）
- Lee & Parish (2025)：引入参数化动态网络，本文改进为加入可训练线性变换显著提升参数泛化
- 传统投影ROM (Benner et al. 2015)：基于线性子空间，无法捕捉非线性动态的流形结构
评分¶
- 新颖性: ⭐⭐⭐⭐ — 将可微分求解器嵌入ROM训练的想法自然但此前未被实现，超降维投影设计巧妙
- 实验充分度: ⭐⭐⭐⭐⭐ — 5个PDE、5种数值方法、多种训练/测试设定（稀疏、参数外推、时间外推），消融充分
- 写作质量: ⭐⭐⭐⭐ — 结构清晰，动机表达到位，数学公式与直觉解释平衡良好
- 价值: ⭐⭐⭐⭐ — 提供了物理信息ROM的有效新范式，开源代码增强了实际影响力