FBPINNs：基于域分解的物理信息神经网络新方法

FBPINNs（有限基物理信息神经网络）是牛津大学Ben Moseley等人提出的物理信息神经网络新方法，针对传统PINNs的谱偏置问题（难以捕捉高频/多尺度特征），通过域分解、子域归一化和灵活训练调度，显著提升高频和多尺度问题的求解表现，实现10-1000倍加速。项目源码位于GitHub（https://github.com/benmoseley/FBPINNs），相关论文发表于《Advances in Computational Mathematics》2023年7月。

物理信息神经网络（PINNs）通过将物理方程残差作为损失函数一部分，无需网格划分即可求解复杂物理问题，但存在根本性挑战——谱偏置：神经网络优先学习低频模式，对高频成分或多尺度特征捕捉能力弱，面对高频振荡或多尺度现象时，需极深网络和漫长训练时间，甚至无法收敛，限制其在波动方程、湍流模拟、量子力学等领域应用。

FBPINNs核心思想是将复杂全局问题分解为简单局部问题：

1. 域分解：划分重叠子域，每个子域部署独立神经网络，解为所有子域输出叠加；
2. 窗口函数约束：子域网络输出乘平滑可微窗口函数，限制影响范围，保证整体解连续性；
3. 子域归一化：每个子域输入独立局部归一化，降低有效频率，缓解谱偏置。

FBPINNs从PyTorch迁移到JAX框架，带来显著提升：

• 并行加速：利用jax.vmap实现子域计算并行化，速度提升10-1000倍；
• 规模扩展：支持数千个子域协同训练；
• 训练调度：子域调度器可定义训练步骤中活跃子域，适合时间依赖问题（如Burgers方程的时间推进式训练）。

实验结果验证FBPINNs优势：

1. 一维谐振子问题：精度和计算效率远超传统PINNs；
2. (2+1)维多尺度波动方程：成功捕捉不同频率成分相互作用，传统PINNs失效。 这些结果证明域分解和子域归一化能有效改善高频/多尺度问题求解效果。

FBPINNs提供模块化API，使用步骤：

1. 定义求解域（Domain类）；
2. 定义PDE问题（Problem类，含边界条件和数据约束）；
3. 定义域分解（Decomposition类）；
4. 定义网络结构（Network类）；
5. 配置超参数（Constants对象）；
6. 启动训练（FBPINNTrainer）。 项目还提供自定义问题、逆问题、子域调度等示例。

FBPINNs相关成果发表于《Advances in Computational Mathematics》2023年7月，详细阐述数学基础、算法设计和实验验证，为物理信息机器学习领域提供重要理论贡献。该方法结合经典数值方法与深度学习，克服PINNs局限性，为科学机器学习问题提供启发：适当问题分解和预处理可提升神经网络求解能力。

FBPINNs通过域分解策略解决PINNs核心瓶颈，提升计算效率和精度，为复杂物理问题的神经网络求解开辟新可能。JAX版本增强性能与扩展性，是科学计算、物理仿真和机器学习交叉领域的强大工具，值得深入探索应用。