物理信息神经网络遇上引力透镜：D4LensPINN 如何用深度学习解码暗物质结构

本文介绍开源项目D4LensPINN，该项目将物理信息神经网络（PINN）与D4等变深度学习结合，用于从引力透镜图像识别暗物质子结构类型。其核心亮点包括：1）融合物理规律与深度学习，保证预测的物理一致性；2）采用D4等变卷积提升模型效率与对称性；3）分类精度超越传统基线模型；4）通过机制可解释性研究分析网络内部对称性行为。

引力透镜效应是探测暗物质分布的关键工具，但暗物质子结构（光滑分布、球状冷暗物质团块、涡旋状温暗物质结构）的区分对理解暗物质本质至关重要。传统方法依赖复杂物理建模和人工特征提取，而标准CNN忽视物理规律，导致模型缺乏可解释性与物理一致性。

D4LensPINN的核心创新包括：

1. 可微分物理引擎：实现零参数的引力透镜方程模块（泊松求解器、偏折场计算、逆透镜层），确保物理自洽性；
2. D4等变卷积：采用D4等变U-Net，保证输入变换时输出对称变换，减少参数并学习物理正确表示。 模型架构为四阶段流水线：物理预处理→D4等变U-Net汇聚估计→可微分物理引擎→EfficientNetV2分类头。

在3万张图像数据集上的实验结果显示：

• D4LensPINN宏平均AUC达0.9786（无TTA）/0.9809（D4-TTA），显著优于ResNet18基线（0.9182）；
• 引入四项物理损失（全变分正则化、L1稀疏性、中心惩罚、泊松残差），提升泛化能力与物理可解释性。

通过三项研究深入分析模型：

1. 激活修补：干预关键层激活值，识别对分类起决定性作用的层；
2. 线性探针：发现等变层比传统层更早提取高质量物理特征；
3. 对称性验证：确认等变层的实际等变误差在数值精度范围内。

项目提供详尽文档（ARCHITECTURE.md、TRAINING.md等），代码托管于GitHub，包含训练、对照实验、可解释性分析的Notebook。数据集通过Google Drive分发，代码支持自动下载缓存，并解决了escnn与numpy的兼容性问题（指定numpy==1.26.4）。

D4LensPINN为暗物质研究提供可信工具，也展示了等变神经网络在科学计算中的潜力。未来，这种物理-数据混合建模思路可推广到流体动力学､材料科学等领域，推动更多“懂物理”的深度学习模型助力科学发现。