物理信息神经网络求解对流扩散方程与刚性相场方程的研究

本文聚焦物理信息神经网络（PINN）在计算流体力学领域两类挑战性偏微分方程（对流扩散方程、刚性相场方程）的求解研究。PINN将物理定律嵌入神经网络损失函数，无需网格离散，为传统数值方法（有限差分、有限元）面临的高维问题、复杂几何或逆问题瓶颈提供新解决思路。研究涵盖PINN框架、两类方程的求解策略、实验验证及未来方向。

在计算流体力学和材料科学领域，偏微分方程数值求解是核心挑战。传统方法（有限差分、有限元）在高维问题、复杂几何或逆问题中存在计算成本高、网格生成难等问题。PINN作为新兴范式，核心是将物理定律（偏微分方程形式）嵌入神经网络损失函数，训练时既拟合观测数据又满足物理约束，具有网格无关性，适合处理高维与复杂边界条件。

本研究针对两类工程与物理应用中的重要方程：

1. 对流扩散方程：广泛用于流体、传热、环境科学，描述流动介质中物质/热量输运，对流主导时易出现数值振荡和伪扩散；
2. 刚性相场方程：用于材料相变、晶体生长等界面演化模拟，因时间尺度差异大，显式积分需极小时间步长，稳定性挑战大。

PINN核心架构包括：

1. 神经网络近似器：以时空坐标为输入输出方程解，结构灵活（全连接、残差网络等）；
2. 物理约束损失：通过自动微分计算导数构建残差，损失含方程残差、初始/边界条件残差；
3. 多任务优化：同时最小化数据拟合与物理约束违反。 针对对流扩散方程，PINN优势：避免网格离散误差、自适应关注边界层、天然支持逆问题（联合优化解与未知参数）。

针对相场方程的刚性特征（界面区域急剧变化导致时间演化刚性），研究可能采用：

1. 自适应采样：界面附近增加采样密度；
2. 多尺度网络：捕捉不同区域特征尺度；
3. 时间并行训练：避免顺序积分的累积误差与效率瓶颈；
4. 损失函数改进：引入能量泛函约束确保热力学一致性。

典型PINN验证实验包括：

1. 精度验证：与解析解或高精度参考解对比L2误差等指标；
2. 参数敏感性分析：评估网络结构、激活函数、损失权重等超参数影响；
3. 计算效率：与传统方法对比相同精度下的计算成本；
4. 泛化能力：测试未见过时空点的预测性能。

PINN当前局限：

1. 训练难度大（复杂损失 landscape 与局部极小值）；
2. 高频模式捕捉不足（神经网络低频偏好）；
3. 长时间演化的误差累积。 未来方向：开发高效优化算法与损失加权策略、结合传统方法的分区PINN、不确定性量化应用、扩展至多物理场耦合问题。