Learning Discrete Riemannian Metrics for Physical Fields with Cochain-Frame Equivariance¶

会议: NeurIPS 2026
arXiv: 2608.14556
代码: https://github.com/CAB-Lab-Princeton/Riemannian-Hodge-Message-Passing
领域: 物理/科学计算
关键词: 离散微分几何, 黎曼度量学习, 霍奇理论, 上链标架等变性, 神经PDE代理模型

一句话总结¶

固定由网格胞腔关联关系确定的拓扑上边缘算子以精确保持微分恒等式，通过预测正定离散黎曼上链度量与构造上链标架等变消息传递，实现了拓扑守恒与可学习几何响应的严格解耦。

研究背景与动机¶

网格几何上的连续物理场并不天然依附于单一空间载体：压力与温度等标量场定义在网格顶点或体素中心，质量通量与环量天然定义在有向边上，而涡量、曲率与场强则分布于面片或高维胞腔单元。当前基于图神经网络（GNN）或神经算子（如 FNO、DeepONet）的物理代理模型通常将各类物理量生硬地映射为节点特征，并在非受约束的消息传递过程中将拓扑关系、空间度规与材料本构混合在一起。这种缺乏几何归纳偏置的设计导致模型无法保证基本的物理守恒定律，例如梯度场无旋性（\(\nabla \times \nabla \phi = 0\)）与旋度场无源性（\(\nabla \cdot \nabla \times \mathbf{A} = 0\)），在遭遇网格分辨率切换、网格拉伸各向异性或坐标旋转时误差急剧放大。

这一缺陷的核心矛盾在于：胞腔复形上的边界与邻接关系决定了必须绝对精确成立的拓扑微分恒等式，而几何尺寸、材料参数、非均匀介质响应与局部各向异性则决定了相邻单元间相互作用的物理耦合强度。在传统的离散外微分（DEC）与有限元外微分（FEEC）中，两者在数学上具有天然的解耦结构——上边缘算子 \(d_k\) 纯粹由网格胞腔的方向关联矩阵确定，不含任何可变连续参数且恒满足 \(d_{k+1} d_k = 0\)；几何度规与本构参数则由霍奇星算子或质量内积矩阵完全表征。

本文敏锐地抓住了这层代数拓扑结构，提出了「冻结拓扑上边缘、完全基于数据学习上链正定黎曼度量」的神经算子设计准则。核心 idea：将网格物理场的消息传递建立在固定上边缘算子 \(d_k\) 与可学习对称正定（SPD）离散黎曼度量 \(H_k\) 之上，结合正交隐藏特征通道变换下的上链标架等变性与范数门控非线性，在严格保证 \(d^2=0\) 拓扑恒等式与非负霍奇能量的前提下精确拟合复杂连续介质几何响应。

方法详解¶

整体框架¶

黎曼霍奇消息传递（Riemannian Hodge Message Passing, RHMP）的核心思想是将物理量按其几何阶数提升至对应的 \(k\)-上链空间：0-上链承载标量场（如压力、温度），1-上链承载通量场（如速度分量、规范联络），2-上链承载强度场（如涡量、电磁场强）。整体计算由固定的胞腔上边缘矩阵 \(d_k\) 提供空间微分与导数传递骨架，由网络预测的对称正定（SPD）离散黎曼度量矩阵 \(H_k\) 调节单元间的耦合权值，并经由范数门控激活函数与特征标架变换实现严格的上链标架等变性，最后由满足欧氏群不变或等变的读出头输出标量或环境向量场。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    In["输入网格物理场<br/>(节点/边/面几何特征)"] --> Lift["几何提升编码与上链特征分配<br/>0-上链(标量), 1-上链(通量), 2-上链(强度)"]
    Lift --> Block1["1. 拓扑与几何解耦的度量霍奇块<br/>固定上边缘矩阵 d_k 严格保持 d^2=0"]
    Block1 --> Block2["2. 对称正定(SPD)离散黎曼度量预测器<br/>基于标架不变量预测 H_k ≻ 0"]
    Block2 --> Block3["3. 上链标架等变传播与范数门控聚合<br/>通道正交标架 O(C) 等变非线性激活"]
    Block3 --> Readout["4. 欧氏几何自洽读出与微分投影求解<br/>E(n) 等变向量重构与调和核投影"]
    Readout --> Out["输出物理场预测<br/>(严格保持散度/旋度等微分约束)"]

关键设计¶

1. 拓扑与几何解耦的度量霍奇块：消除未受约束的消息传递对微分恒等式的破坏

为了彻底摆脱传统 GNN 自由卷积对物理守恒的破坏，RHMP 严格依据离散外微分理论将算子结构显式分离为拓扑微分与几何内积度规。对于 \(k\)-胞腔空间 \(C^k(K)\)，上边缘映射 \(d_k: C^k(K) \to C^{k+1}(K)\) 纯粹由网格的有向邻接关系决定，其矩阵元素只包含 \(0, \pm 1\)，在整个训练与推理阶段完全冻结，因而从代数构造上无条件成立 \(d_{k+1} d_k = 0\)（即 \(d^2=0\)）。几何信息则全部收敛至正定度量矩阵 \(H_k \in \mathrm{SPD}(n_k)\) 中，其定义了 \(k\)-上链空间上的离散黎曼内积 \(\langle \mathbf{x}_k, \mathbf{y}_k \rangle_{H_k} := \mathrm{tr}(\mathbf{x}_k^\top H_k \mathbf{y}_k)\)。由上链空间加权霍奇能量诱导出的加权霍奇消息算子 \(L_k^H\) 分解为同阶上链沿邻接空间的往返传递：

\[L_k^H = d_{k-1} H_{k-1}^\downarrow d_{k-1}^\top + d_k^\top H_{k+1}^\uparrow d_k\]

该算子自然对应离散 Hodge-Laplacian，其前项通过转置上边缘 \(d_{k-1}^\top\) 将 \(k\)-上链投影至下阶空间再由度量 \(H_{k-1}^\downarrow\) 加权后返回，后项经由 \(d_k\) 微分提升至上阶空间、经度量 \(H_{k+1}^\uparrow\) 度量后再由伴随投影拉回。由于度量矩阵满足正定性约束，对于任意非零上链输入 \(\mathbf{x}_k\)，其瑞利商能量严格非负：\(\langle \mathbf{x}_k, L_k^H \mathbf{x}_k \rangle = \|d_{k-1}^\top \mathbf{x}_k\|_{H_{k-1}^\downarrow}^2 + \|d_k \mathbf{x}_k\|_{H_{k+1}^\uparrow}^2 \ge 0\)，在物理层面保证了扩散算子半正定性与能量耗散的严格无条件自洽。

2. 对称正定离散黎曼度量预测器：确保几何度规的正定性与欧氏不变性

为了使学习到的度量矩阵具备真实的几何与材料物理意义，RHMP 构造了显式保证正定性的度量预测网络。网络首先从局部胞腔中提取与坐标系选取无关的几何不变量（边长、网格面积、内角等）以及通道内积标量 \(\psi(\mathbf{x}_k)_i = [\|\mathbf{x}_k(i)\|_2^2, \mathrm{Agg}_{j \sim i} \langle \mathbf{x}_k(i), \mathbf{x}_k(j) \rangle, \text{geometry}]\)，并由共享的多层感知机预测局部正定系数。在对角形度量形式下，通过带下界的平滑激活保证正定：

\[H_k = \mathrm{diag}\left(\mathrm{softplus}(\mathrm{MLP}_H(\psi(\mathbf{x}_k))) + \epsilon\right), \quad \epsilon > 0\]

这一构造使得任意非零向量 \(z\) 均满足 \(z^\top H_k z \ge \epsilon \|z\|_2^2 > 0\)。对于涉及非均匀各向异性介质（如晶粒取向钢材）的复杂系统，RHMP 进一步结合参考几何度量 \(H_k^{\mathrm{ref}}\)，引入有界乘性修正 \(H_k = \mathrm{diag}(h_{k,i}^{\mathrm{ref}} e^{a \tanh z_{k,i}})\) 或低秩修正 \(H_k = B_k B_k^\top + \mathrm{diag}(\mathrm{softplus}(\mathbf{h}_k) + \epsilon)\)，在保证算子良置条件数（\(\mathrm{cond} \le e^{2a}\)）的同时，能灵活刻画高达 100 倍以上对比度的各向异性导热或磁导率张量。

3. 上链标架等变传播与范数门控聚合：统一通道特征基底的物理自洽性

在隐藏特征空间中，\(C\) 维特征通道本质上构成了辅助空间中的一组正交基底。物理传播过程必须独立于人工选取的通道基底旋转，即当隐藏特征经历正交标架变换 \(\mathbf{x}_k \mapsto \mathbf{x}_k R^\top\)（\(R \in \mathrm{O}(C)\)）时，网络层算子必须满足上链标架等变性 \(\Phi(\mathbf{x} R^\top) = \Phi(\mathbf{x}) R^\top\)。传统逐通道独立 ReLU 或带偏置的归一化会彻底摧毁这种连续等变性。RHMP 的同阶自消息与跨阶交互消息定义为：

\[\mathbf{m}_{k,\mathrm{self}}^{(\ell)} = d_{k-1} H_{k-1}^{\downarrow,(\ell)} d_{k-1}^\top \mathbf{x}_k^{(\ell)} + d_k^\top H_{k+1}^{\uparrow,(\ell)} d_k \mathbf{x}_k^{(\ell)}\]

\[\mathbf{m}_{k,\mathrm{cross}}^{(\ell)} = d_{k-1} H_{k-1}^{\mathrm{cross},(\ell)} \mathbf{x}_{k-1}^{(\ell)} + d_k^\top H_{k+1}^{\mathrm{cross},(\ell)} \mathbf{x}_{k+1}^{(\ell)}\]

通过可学习系数 \(\alpha\) 凸组合融合为 \(\mathbf{m}_k^{(\ell)} = \alpha \mathbf{m}_{k,\mathrm{self}}^{(\ell)} + (1-\alpha) \mathbf{m}_{k,\mathrm{cross}}^{(\ell)}\) 后，层级特征更新采用无仿射参数的逐胞腔均方根归一化（RMSNorm）与通道范数标量门控：

\[\mathbf{x}_k^{(\ell+1)} = \mathbf{x}_k^{(\ell)} + g_\theta(\|\mathbf{m}_k^{(\ell)}\|) \, \mathrm{RMSNorm}(\mathbf{m}_k^{(\ell)})\]

由于度量矩阵 \(H\) 的输入 \(\psi\) 仅依赖正交不变量，算子 \(d\) 与 \(H\) 作用于胞腔空间索引，而 \(R\) 作用于通道纤维索引，两者的代数运算天然对易；结合范数门控的球对称性，RHMP 证明了单层及多层级网络整体严格满足 \(\mathrm{O}(C)\) 标架等变性。

4. 欧氏几何自洽读出与微分投影求解：兼顾空间等变向量场与规范不变物理量

在模型的输出端，针对标量场直接输出欧氏群 \(\mathrm{E}(n)\) 不变的上链分量；针对环境空间中的速度等真实物理向量场，RHMP 采用不变标量加权相对位移向量的局部构形组合：

\[\hat{\mathbf{v}}(v) = \frac{1}{\deg(v)} \sum_{e=(i,j) \ni v} w(\mathbf{x}_1(e), \|\mathbf{r}_{ij}\|^2, \dots) (\mathbf{r}_j - \mathbf{r}_i)\]

其中相对位移 \(\mathbf{r}_j - \mathbf{r}_i\) 在欧氏旋转平移下天然等变，标量权重 \(w\) 保持不变，从而精确保证了输出向量场的 \(\mathrm{E}(n)\) 空间几何等变性。此外，对于阿贝尔规范场（如电磁势与 \(U(1)\) Wilson 环），规范变换形如 \(A \mapsto A + d_0 \lambda\)，由于模型通过 \(F = d_1 A\) 计算曲率，代数恒等式 \(d_1 d_0 = 0\) 使得曲率可观测量在任意规范平移下保持无误差绝对不变。对于需要求解椭圆泊松方程的电磁势逆问题，模型内部更直接嵌入可微共轭梯度（CG）隐式微分层，精确逆解 \(d_0^\top H_1 d_0\)。

损失函数 / 训练策略¶

RHMP 采用端到端监督训练，结合物理场真值计算相对误差或加权 \(L_2\) 损失。在固定网格场景下，利用稀疏矩阵乘法的线性性质（\(\mathrm{spmm}(d, [\mathbf{x}_1, \dots, \mathbf{x}_B]) = [d \mathbf{x}_1, \dots, d \mathbf{x}_B]\)），将整个批次合并入通道维度实现零冗余循环的单次前向并行；在可变非结构网格场景下，将多个网格组装为块对角胞腔复形进行整批并行处理。优化器选用 Adam，学习率经余弦退火从 \(10^{-3}\) 平滑衰减至 \(10^{-5}\)，权重衰减系数为 \(10^{-5}\)，梯度截断阈值为 1.0，根据验证集确定系数 \(R^2\) 保存最优模型检查点。

实验关键数据¶

主实验¶

论文在六个固定网格基准测试集上与 11 种涵盖图网络、拓扑复形、流形规范等变及神经算子等主流模型进行了全面对比（测试集样本数 100，随机种子 4242）。各基准评测指标包括结构相似性（SSIM \(\uparrow\)）、皮尔逊相关系数（Pearson \(\uparrow\)）以及归一化均方根误差（NRMSE \(\downarrow\)）。

任务名称	物理系统	评测指标	RHMP (本文)	次优基准 (节点方法)	次优基准模型	相对误差降低 / 提升幅度
NS Vorticity	压缩Navier-Stokes (拉伸网格)	SSIM / Pearson / NRMSE	0.994 / 0.991 / 0.0054	0.966 / 0.941 / 0.0096	GEM-CNN	NRMSE 下降 43.8%
Torus Adv-Diff	环面各向异性对流扩散 (亏格-1)	SSIM / Pearson / NRMSE	0.990 / 0.991 / 0.0076	0.961 / 0.972 / 0.0133	GEM-CNN	NRMSE 下降 42.9%
Ellipsoid Flow	椭球面表面流动场 (空间向量)	SSIM / Pearson / NRMSE	1.0000 / 1.0000 / \(\mathbf{1.45 \times 10^{-4}}\)	0.972 / 0.974 / 0.0139	GEM-CNN	NRMSE 下降近两个数量级
Maxwell	强各向异性磁静力学 (饱和钢)	SSIM / Pearson / NRMSE	0.979 / 0.989 / 0.0150	0.610 / 0.601 / 0.0519	GEM-CNN	NRMSE 下降 71.1%
Wilson Loop	\(U(1)\) 规范理论曲率场预测	SSIM / Pearson / NRMSE	0.99994 / 0.99991 / \(\mathbf{8.93 \times 10^{-5}}\)	0.998 / 0.976 / 0.0016	GEM-CNN	NRMSE 下降 94.4%
Yang–Mills	\(SU(2)\) 非阿贝尔杨-米尔斯场强	SSIM / Pearson / NRMSE	0.99999 / 0.99999 / \(\mathbf{1.67 \times 10^{-4}}\)	0.868 / 0.829 / 0.0202	GEM-CNN	NRMSE 下降 99.2%

在可变非结构网格翼型压力预测任务（AirfRANS CFD）中，RHMP 同样展现了跨网格密度的优异零样本迁移表现（训练网格节点数 1.9K，测试时在 0.55K 与 6.9K 网格上直接泛化评估）：

模型	SSIM (1.9K) \(\uparrow\)	Pearson (1.9K) \(\uparrow\)	NRMSE (1.9K) \(\downarrow\)	\(R^2_{0.55\mathrm{K}}\) (粗网格迁移) \(\uparrow\)	\(R^2_{6.9\mathrm{K}}\) (细网格迁移) \(\uparrow\)
GCN	0.689	0.164	0.0227	0.027	0.024
EGNN	0.697	0.252	0.0227	0.017	-0.001
CW Net	0.693	0.219	0.0226	0.023	-0.015
GaugeEqCNN	0.921	0.857	0.0098	0.757	0.688
GEM-CNN	0.947	0.903	0.0077	0.728	0.677
RHMP (本文)	0.998	0.997	0.0016	0.969	0.982

消融实验¶

论文在 \(SU(2)\) 杨-米尔斯、Wilson 环、椭球表面流及 NS 涡量任务上对核心组件进行了控制变量测试（同等计算预算与 50 轮训练验证）：

配置 / 变体	核心变动内容	Wilson Loop \(R^2\)	Yang-Mills \(R^2\)	结构验证指标影响
完整模型 (r=8)	显式 SPD 度量 + 范数门控激活 + 固定 \(d\)	0.960	0.510	满足全 10 项结构约束，\(d_1 d_0 = 0\)
恒等度量 (\(H_k = I\))	去除可学习几何度量，仅保留拓扑算子	0.500	0.245	严重缺乏各向异性及介质建模能力，性能骤降
单阶独立 (\(\alpha = 1\))	阻断相邻阶上链间的跨度量交互传递	0.612	0.318	无法有效汇聚不同拓扑维度（边-面）信息
可学习算子 (\(d_k\) 自由学习)	允许松弛 \(d_k\) 为任意参数化矩阵	0.948	0.492	破坏拓扑恒等式：\(\\|d_1 d_0\\|_F\) 由 0 激增至 \(\sim 10^1\)
逐分量 ReLU 激活	替代范数门控 RMSNorm 激活	0.952	0.488	破坏通道标架等变性：\(\mathrm{O}(C)\) 等变误差由 \(10^{-6}\) 恶化至 \(10^0\)

关键发现¶

拓扑与度量的协同价值：固定 \(d_k\) 确保了守恒法则在代数层面零误差成立，但若将度量退化为标量单位阵 \(H_k = I\)，网络在 Wilson 环任务上的拟合能力出现断崖式下跌（\(R^2\) 从 0.96 跌至 0.50），表明可学习的黎曼度量是捕捉非均匀几何响应的关键。
对称约束并未损害经验拟合：对比无约束学习 \(d_k\) 或使用标准 ReLU 激活，RHMP 的全对称约束配置不仅获得了极其微小的性能增益（甚至更强），更彻底根除了物理几何违背问题，实现了结构保真与预测精度的双赢。
卓越的零样本跨分辨率外推：在翼型 CFD 与椭球面表面流中，由于度量预测网络参数完全独立于网格离散尺度，模型在 4 倍分辨率细化与粗化网格上无须微调即可维持 \(R^2 \ge 0.969\)。

亮点与洞察¶

拓扑骨架与几何度规的数学正交分离：创新性地把离散外微分（DEC）中的 Hodge 理论体系直接注入神经消息传递架构，用常量稀疏关联矩阵锁死拓扑微分核，用深度网络学习正定内积度量，结构极其优雅。
通道维度的上链标架等变性构建：首次提出并严格证明了隐藏特征空间中的 \(\mathrm{O}(C)\) 正交标架等变性，通过范数门控与无偏置归一化，解决了连续介质网络中隐藏基底变换的不变性难题。
可直接迁移到通用工程 CAE 仿真：该方法为传统非结构化有限元（FEM）与有限体积（FVM）管线提供了一个既能无缝吸收非均匀材料本构（电磁钢、各向异性扩散），又绝不违背基本物理守恒律的强鲁棒神经代理范式。

局限与展望¶

计算复杂度随胞腔阶数增长：在 3D 四面体或更高维网格中，2-胞腔（面）与 3-胞腔（体）的数量远超顶点与边，高阶上边缘矩阵稀疏相乘在超大规模计算网格上的显存与带宽开销仍需进一步稀疏优化。
非阿贝尔规范场的代数非线性近似：目前对于 \(SU(2)\) 杨-米尔斯场强依然采用离散外微分项与代数换位子项的显式代数拟合，尚未完全实现真正内蕴的李代数主丛联络几何主导变换。
更一般非均匀极端各向异性条件数的调优：当各向异性比率超过数千倍甚至涉及奇异界面介质时，度量矩阵的条件数退化可能给微分隐式求解层带来收敛瓶颈。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 巧妙结合代数拓扑 DEC 与离散黎曼度量学习，理论完备且概念优美。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖流体、电磁学、规范场、可变翼型网格等 7 大物理场景与 12 个强基准。
写作质量: ⭐⭐⭐⭐⭐ 结构清晰，代数推导、几何度规映射与几何物理直觉解释非常透彻。
价值: ⭐⭐⭐⭐⭐ 为科学计算、PDE 代理模型与 3D 物理场仿真提供了具有标杆意义的几何归纳偏置范式。