基于李群理论的物理信息神经网络对称性增强研究

本研究探索了利用李群理论在物理信息神经网络（PINNs）中强制执行对称性的四种策略，针对稳态热传导和亥姆霍兹方程进行实验验证，发现架构编码和激活函数设计是互补的关键要素。

物理信息神经网络（PINNs）将物理定律嵌入损失函数，适用于求解偏微分方程，但标准PINNs缺乏利用物理问题对称性的内在机制。对称性是物理学基本概念，对应守恒律，可减少计算量、提高解的精度与稳定性（如旋转对称问题可降维求解）。

利用李群（如SO(2)旋转群）和李代数的理论框架，通过李导数约束或架构设计引入对称性。四种策略：1.全区域基线（无约束，对照组）；2.四分之一区域+诺伊曼边界条件（降维）；3.四分之一区域+李导数软惩罚；4.全区域架构编码（输出为四个旋转副本平均，天然满足对称性）。

稳态热传导：架构编码策略精度最佳（相对L2误差0.0018%）；四分之一区域方法训练时间减少约44%；所有增强策略优于基线。亥姆霍兹方程：tanh激活函数训练不收敛（梯度消失）；替换为正弦函数（SIREN）后误差降至0.85%，但PDE残差仍停滞，需改进优化策略。

对称性增强与激活函数设计是互补需求：仅对称约束不够（如tanh梯度消失），仅有好激活函数无对称引导会浪费资源。两者结合才能有效提升PINNs性能。

针对亥姆霍兹方程的优化病理，可探索：自适应损失权重调度、课程学习逐步增加PDE约束、针对振荡解的谱方法、混合数值-神经网络方法。

项目提供完整代码，可在Google Colab运行：热传导方程四种策略对应独立Notebook；；亥姆霍兹方程集成在交互式Notebook，便于切换配置，保证可复现性与扩展。

本研究结合李群理论与机器学习，解决科学计算问题。可推广到工程中具有对称性的场景（涡轮旋转对称、晶体离散对称等）。PINNs领域仍需探索激活函数、优化算法、多尺度处理等方向。