Coupled Integral PINN for Discontinuity¶

会议: NeurIPS 2026
arXiv: 2411.11276
领域: 物理与科学计算
关键词: 物理信息神经网络, 双曲守恒律, 间断解, 激波捕捉, 积分形式松弛

一句话总结¶

针对强形式物理信息神经网络（PINN）在间断界面处导数发散且陷入过平滑伪解的优化屏障，CI-PINN 引入原变量与积分势能双网络耦合架构，以无网格积分形式与熵条件无缝捕捉激波和稀疏波。

研究背景与动机¶

在流体力学、激波管流动以及多相孔隙流等物理问题中，双曲型守恒律常出现因特征线相交而导致的梯度陡峭乃至间断（如激波、接触间断）。传统的物理信息神经网络（PINN）通过自动微分在时空配置点上直接最小化偏微分方程（PDE）的微分残差，然而在面对间断解时，强形式 PINN 往往严重失效，预测出过度涂抹或完全违背物理规律的平滑伪解。尽管已有工作尝试结合因果训练、自适应权重或时空区域分解，但在缺乏密集观测数据的正向求解场景下，常规优化策略仍无法阻止网络向非物理光滑解漂移。

这一失败的理论根源在于强形式残差优化目标与间断弱解概念之间存在根本性的不可辨识性与优化屏障。论文在理论上证明，当光滑近似函数逼近具有阶跃跳跃的真实物理激波时，由于强形式残差包含状态梯度的空间导数，其平方误差在测度为 $\mathcal{O}(\varepsilon)$ 的激波层内随层厚 $\varepsilon$ 趋于 0 而呈现 $\mathcal{O}(1/\varepsilon)$ 剧烈发散。这意味着真实熵解在强形式损失曲面上非但不是局部极小值，其梯度反而在主动排斥优化器靠近锐利界面；相反，过度弥散的伪解反而能够取得极小的残差惩罚。

受经典有限体积法（FVM）通过积分通量平衡捕捉弱解的启发，本文跳出强形式导数约束，提出在无网格框架下通过积分势变量显式松弛守恒律。核心 idea：构建解原变量网络与积分势能辅助网络的双分支耦合架构（CI-PINN），将守恒律转化为势函数的低阶导数匹配与时空通量平衡，结合自适应激波掩码与熵不等式约束，从根本上消解强形式残差在间断处的发散屏障。

方法详解¶

整体框架¶

CI-PINN 针对 $d$ 维非线性双曲守恒律 $\partial_t \mathbf{q} + \nabla \cdot \mathbf{F}(\mathbf{q}) = \mathbf{0}$，构建了协同训练的双网络架构。模型由原变量网络 $\tilde{\mathbf{u}}(x, t)$ 和辅助势能网络 $\tilde{\mathbf{S}}(x, t) = \{\tilde{\mathbf{S}}_j(x, t)\}_{j=1}^d$ 组成，其中原变量映射到守恒变量 $\tilde{\mathbf{q}} = \mathbf{q}(\tilde{\mathbf{u}})$。势函数 $\tilde{\mathbf{S}}$ 本质上是守恒量在空间维度的反导数（即势能表示），从而将原方程中对间断状态的高阶空间微分，转换为对连续 Lipschitz 势函数的首阶自动微分与通量平衡。

为保证物理弱解的唯一性并兼顾光滑区域的高效收敛，CI-PINN 联合施加了四大约束机制：初始/边界条件对齐、势能与守恒量的散度耦合、积分形式物理通量守恒，以及基于数学熵函数的不可逆性熵条件；并在光滑流动区自适应保留强形式微分残差辅助加速。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    IN["时空坐标 (x, t)"] --> DUAL["原变量与积分势能双网络解耦"]
    DUAL --> CPL["散度耦合与通量守恒松弛"]
    CPL --> ENT["熵不等式物理容许性约束"]
    ENT --> MASK["自适应压缩流激波掩码"]
    MASK --> OUT["间断与稀疏波精确状态输出"]

关键设计¶

1. 原变量与积分势能双网络解耦：避免间断强微分 传统 PINN 直接对原变量网络 $\tilde{\mathbf{q}}$ 沿空间求导，当出现激波跳跃时梯度发生奇点。CI-PINN 设计两个并行的全连接多层感知机（MLP）：原变量网络输出物理流动原始量 $\tilde{\mathbf{u}}$（如密度 $\rho$、速度 $u$、压力 $p$），进而由确定性物理关系映射为守恒变量 $\tilde{\mathbf{q}}$；势能网络 $\tilde{\mathbf{S}}$ 学习相应的空间积分势函数。因为势能函数充当了积分变量，即使原物理状态存在跳跃间断，势能场自身依然保持连续性（仅在间断面呈现低阶折角/kink），其时空一阶导数在全时空域平方可积，从而使损失函数在极限过渡层下保持有界平滑。

2. 散度耦合与通量守恒松弛：无网格弱形式代数闭合 为确保辅助势能与真实物理守恒量完全一致，CI-PINN 在无网格时空点上建立双重等式松弛：一方面通过散度耦合要求 $\nabla \cdot \tilde{\mathbf{S}}(x, t) \approx \tilde{\mathbf{q}}(x, t)$；另一方面将偏微分方程转化为积分势在时间方向的变化率与物理通量的平衡 $\partial_t \tilde{\mathbf{S}}_j(x, t) + \mathbf{F}_j(\tilde{\mathbf{q}}(x, t)) \approx \mathbf{0}$（对空间维度 $j=1,\dots,d$）。在计算损失时，网络只需通过自动微分计算势函数 $\tilde{\mathbf{S}}$ 的一阶导数，无需建立离散控制体网格、局部数值积分或重构通量数值离散，保持了 PINN 原生完全无网格的灵活性。

3. 熵不等式物理容许性约束：排除非物理弱解 单纯满足积分通量平衡仅能保证激波满足 Rankine–Hugoniot 跃变关系，但无法保证双曲型守恒律弱解的唯一性（可能引入非物理的膨胀激波）。CI-PINN 引入严格的数学凸熵函数 $\eta(\mathbf{q})$ 及其匹配的熵通量 $\boldsymbol{\phi}(\mathbf{q})$，要求满足相容性条件 $\nabla_\mathbf{q} \boldsymbol{\phi}^{(i)}(\mathbf{q}) = \nabla_\mathbf{q} \eta(\mathbf{q})^\top \nabla_\mathbf{q} \mathbf{F}^{(i)}(\mathbf{q})$。通过单侧罚函数仅惩罚违反热力学不可逆性原理的正向熵增区域，确保优化解严格收敛至唯一的物理熵解： $$\partial_t \eta(\tilde{\mathbf{q}}) + \nabla \cdot \boldsymbol{\phi}(\tilde{\mathbf{q}}) \le 0$$

4. 自适应压缩流激波掩码：光滑区与间断区协同优化 强形式微分残差虽然在激波处发散，但在连续光滑波前处仍能提供收敛迅速的高质量梯度指导。CI-PINN 构造基于局部流场压缩特性的自适应掩码 $w_i \in [0, 1]$： $$w_i = \sigma\Big(k\,\mathrm{ReLU}\big(-\nabla_\mathbf{x} \cdot \tilde{\mathbf{v}}(\mathbf{x}_i, t_i)\big)\Big)$$ 其中 $\tilde{\mathbf{v}}$ 为预测速度场，$k > 0$ 为陡度调节参数。该项利用双曲流动在形成激波前必然伴随速度场负散度压缩的流体力学机理，在压缩间断区自动将强形式残差权重 $(1 - w_i)$ 压制为 0，避免数值发散；而在平缓膨胀区与平流区赋予完全强形式监督，实现训练精度与物理稳健性的互补结合。

损失函数 / 训练策略¶

CI-PINN 的总训练目标为 5 个加权损失项之和： $$\begin{aligned} L &= \lambda_{\mathrm{ibc}} \frac{1}{N_b}\sum_{j=1}^{N_b} \|\mathbf{u}_{\mathrm{IBC}}(x_j, t_j) - \tilde{\mathbf{u}}(x_j, t_j)\|_2^2 \\ &\quad + \lambda_{\mathrm{phy}} \frac{1}{N_f d}\sum_{i=1}^{N_f}\sum_{k=1}^d \|\partial_t \tilde{\mathbf{S}}_k(x_i, t_i) + \mathbf{F}_k(\tilde{\mathbf{q}}(x_i, t_i))\|_2^2 \\ &\quad + \lambda_{\mathrm{cpl}} \frac{1}{N_f}\sum_{i=1}^{N_f} \|\nabla \cdot \tilde{\mathbf{S}}(x_i, t_i) - \tilde{\mathbf{q}}(x_i, t_i)\|_2^2 \\ &\quad + \lambda_{\mathrm{ent}} \frac{1}{N_f}\sum_{i=1}^{N_f} \Big[\max\big(0, \partial_t \eta(\tilde{\mathbf{q}}) + \nabla \cdot \boldsymbol{\phi}(\tilde{\mathbf{q}})\big)\Big]^2 \\ &\quad + \lambda_{\mathrm{str}} \frac{1}{N_f}\sum_{i=1}^{N_f} (1 - w_i) \|\partial_t \tilde{\mathbf{q}}(x_i, t_i) + \nabla \cdot \mathbf{F}(\tilde{\mathbf{q}}(x_i, t_i))\|_2^2 \end{aligned}$$ 训练采用无网格随机时空采样点集合，无需额外数值求积；优化过程直接使用标准梯度下降算法，能够与因果时间学习或梯度平衡策略无缝融合。

实验关键数据¶

主实验¶

在 1D 无粘 Burgers 方程、非凸通量 Buckley–Leverett (BL) 方程以及 1D Euler 激波管（Sod 与强激波 Lax 问题）基准上，CI-PINN 与控制体积分 PINN（cvPINN）、空间积分网络（IPINN）及先进强形式优化方法（Modified MLP、因果训练 Causal、RWF、自适应学习率 AdaLR、Vanilla PINN）进行了全面对比。

下表给出了无粘 Burgers 方程在全域（Global）、激波邻域（Shock）和稀疏波区（Rarefaction）的误差对比（数值单位均为 $10^{-3}$）：

模型	全域 $L_2$	全域 $L_1$	激波区 $L_2$	激波区 $L_1$	稀疏区 $L_2$	稀疏区 $L_1$
CI-PINN (本文)	47.04	7.55	103.67	21.26	25.47	10.95
cvPINN	96.15	18.18	211.89	62.34	60.45	19.54
IPINN	153.23	65.39	166.24	39.80	225.02	159.59
Modified MLP	120.62	54.59	258.13	217.81	7.40	3.62
Causal Training	282.44	109.26	561.66	325.96	112.72	99.60
RWF	131.00	58.74	280.65	232.72	37.09	5.91
Adaptive lr	146.20	71.94	307.54	265.51	22.34	14.89
Vanilla PINN	123.87	56.58	266.31	222.87	18.92	7.45

复杂激波管与二维复杂流动分析¶

在包含强激波与接触间断的 1D Euler Lax 激波管问题中，CI-PINN 展现出相比传统积分与强形式基准更为压倒性的精度优势（三物理量 $\rho, u, p$ 平均误差，数值单位为 $10^{-3}$）：

区域 / 指标	CI-PINN (本文)	cvPINN	IPINN	Modified MLP	Causal	Vanilla PINN
全域 $L_1$	14.83	142.00	600.61	245.62	237.60	828.75
全域 $L_2$	55.89	283.63	789.22	389.87	404.06	934.98
激波区 $L_1$	42.18	282.83	646.66	497.16	451.16	938.51
激波区 $L_2$	111.55	492.82	1061.01	818.64	652.92	940.05
稀疏区 $L_1$	55.74	268.49	309.37	488.70	266.65	852.34
稀疏区 $L_2$	168.17	338.42	532.36	569.93	362.03	779.72

在 2D 浅水方程（SWE）的径向溃坝模拟中，CI-PINN 的水深 $h$ 的时空 $L_2$ 误差仅为 $26.10 \times 10^{-3}$，较强基线 cvPINN（$225.81 \times 10^{-3}$）大幅降低 88.4%；速度场 $(u, v)$ 的 $L_2$ 误差降低达 89.4%（$154.01 \to 16.37$ 和 $152.97 \to 16.25$）。在 2D Euler 四象限黎曼问题中，CI-PINN 的压力 $p$ 的 $L_1$ 误差降低 46.0%（$17.66 \to 9.54 \times 10^{-3}$），显著消除了界面平台值失真与激波抹平现象。

关键发现¶

积分形式约束是捕捉激波界面的决定性机制：常规强形式变体（如 Causal、RWF、Modified MLP）即使改进了优化动力学，在激波区的 $L_1$ 误差普遍在 $200 \times 10^{-3}$ 以上；而 CI-PINN 与 cvPINN 则能直接收敛至低误差区间。
cvPINN 依赖局部控制体积求积，在遭遇强激波与接触间断（如 Lax 激波管和 2D 溃坝环形波）时，因数值耗散与高维求积累积误差容易导致平台态偏移及波幅严重衰减；CI-PINN 采用连续全局势能与自适应掩码，成功保持了清晰的平台值和高维对称性。
熵不等式有效抑制了稀疏波区域的虚假震荡与非物理间断伪解，使 CI-PINN 兼具激波锐利度与膨胀波平滑度。

亮点与洞察¶

首次从优化景观角度揭示了强形式 PINN 面对间断解时残差按 $\mathcal{O}(1/\varepsilon)$ 发散的反向一致性（Inverse-consistency）本质，严格证明了真实间断并非强形式损失函数的局部极小点。
巧妙地将积分反导数思想升华为原变量与势能双网络耦合结构，用一阶散度约束取代高阶奇异微分，既避开了传统有限体积法复杂的网格重构与数值求积，又彻底摆脱了导数奇异性。
借助负散度压缩流体力学特征构造了连续可微的自适应激波掩码，优雅地桥接了光滑区微分残差的高效收敛性与间断区积分守恒的鲁棒性。

局限与展望¶

损失函数包含 5 个惩罚项权重（$\lambda_{\mathrm{ibc}}, \lambda_{\mathrm{phy}}, \lambda_{\mathrm{cpl}}, \lambda_{\mathrm{ent}}, \lambda_{\mathrm{str}}$），在复杂方程与多维问题中超参数调试成本较高；未来可探索增广拉格朗日（Augmented Lagrangian）等显式约束优化框架自动调节拉格朗日乘子。
当前研究聚焦于无内部测量数据的正向偏微分方程求解；未来可将原变量与势能双网络范式扩展至实测稀疏数据下的反演参数辨识与复杂几何工程流动场景。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [揭示了强形式在激波处的理论发散壁垒，并提出无需网格数值求积的原变量-积分势双网络耦合解法]
实验充分度: ⭐⭐⭐⭐⭐ [涵盖标量、非凸通量、一维 Euler 激波管及二维浅水与 Euler 复杂流动，提供区域分块详实指标]
写作质量: ⭐⭐⭐⭐⭐ [数学推导严密清晰，对激波机制与优化病态现象的剖析直击本质]
价值: ⭐⭐⭐⭐⭐ [为物理信息神经网络彻底攻克双曲型间断问题提供了重要理论依据与实用的无网格算法蓝图]

区域 / 指标	CI-PINN (本文)	cvPINN	IPINN	Modified MLP	Causal	Vanilla PINN
全域 \(L_1\)	14.83	142.00	600.61	245.62	237.60	828.75
全域 \(L_2\)	55.89	283.63	789.22	389.87	404.06	934.98
激波区 \(L_1\)	42.18	282.83	646.66	497.16	451.16	938.51
激波区 \(L_2\)	111.55	492.82	1061.01	818.64	652.92	940.05
稀疏区 \(L_1\)	55.74	268.49	309.37	488.70	266.65	852.34
稀疏区 \(L_2\)	168.17	338.42	532.36	569.93	362.03	779.72