CGMPINN：基于高斯混合模型的课程引导物理信息神经网络

西安交通大学团队提出CGMPINN（Curriculum-Guided Gaussian Mixture Physics-Informed Neural Network），通过高斯混合模型对PDE残差分布建模，实现空间自适应课程学习策略，在6个基准PDE问题上最高将相对L2误差降低97.8%。

物理信息神经网络（PINNs）是无网格PDE求解框架，但传统PINN存在梯度病态、谱偏置和收敛困难等问题，尤其在强非线性、陡峭梯度或多尺度问题中表现不佳。根源在于PDE解空间分布不均，"一刀切"训练易导致局部最优或忽略困难区域。

CGMPINN借鉴课程学习理念，让模型从简单区域逐步过渡到复杂区域。通过高斯混合模型（GMM）对PDE残差分布建模，识别不同难度的区域簇——残差大的区域学习难度高，实现空间自适应的课程策略。

CGMPINN包含两个关键机制：

1. 空间难度感知课程：周期性拟合GMM划分难度区域，训练初期聚焦简单区域，逐步转移到困难区域；
2. 精度引导方差调制：降低方差大的聚类（预测不稳定区域）的损失权重，减少噪声干扰。两者共享课程参数，可与自适应损失平衡方法结合。

研究团队证明CGMPINN的关键性质：

• 次线性收敛：课程加权损失的梯度范数呈次线性收敛，保证优化稳定性；
• 损失等价性：课程加权PDE损失与标准损失在一定条件下均匀等价；
• 泛化边界：推导包含权重偏差的泛化误差上界，揭示课程学习对泛化的影响。

团队在6类PDE问题上验证性能，包括椭圆型（Poisson方程）、抛物型（Heat方程）、双曲型（Wave方程）、对流主导（Advection-Diffusion）、非线性反应扩散（Fisher-KPP方程）等。结果显示CGMPINN在所有案例中取得最低相对L2误差，与标准PINN相比最高降低97.8%误差，计算成本可比。

项目提供完整PyTorch实现，包含：

• CGMPINN核心方法；
• 基线方法（标准PINN、gPINN、lbPINN等）；
• 消融实验变体。每个基准问题有独立代码和参数目录，预训练模型可直接复现结果。

CGMPINN为PINN训练难题提供解决方案，增强其在复杂物理问题中的适用性。对计算物理、工程仿真和科学机器学习领域意义重大，开源实现为社区提供基准工具。该方法融合经典机器学习技术与物理洞察，推进PINN理论前沿，为实际复杂问题求解提供有力工具。