新上线今天0 投票
PDE流学习器：迈向科学计算的物理到物理范式
偏微分方程（PDEs）几乎支配着科学和工程领域的每一个物理过程，但大规模求解这些方程的计算成本仍然高得令人望而却步。生成式AI已经彻底改变了语言、视觉和蛋白质科学领域，然而，基于学习的PDE求解器尚未经历类似的范式转变。现有的方法各自只捕捉了问题的一部分。
现有方法的局限
当前主流的基于学习的PDE求解器主要分为三类，但各有其明显的局限性：
- 物理信息神经网络：这类方法将物理方程的残差结构嵌入到神经网络中，使其在训练时满足物理定律。然而，它们在处理刚性、多尺度或大域问题时，往往难以优化，收敛缓慢或不稳定。
- 神经算子：这类方法旨在学习从参数或初始条件到解的映射，从而在多个问题实例上实现“摊销”求解。但它们通常继承了“快照预测”的视角，即预测离散时间点的状态。在长时间推演中，误差会累积并导致解的质量显著下降。
- 基于扩散的求解器：这类方法能够对不确定性进行建模，但其核心架构通常仍建立在状态回归的模板之上，即直接预测物理场的状态，而非其动态演化过程。
作者认为，这些局限性的根源在于训练学习型求解器时所采用的抽象范式。许多模型被要求直接预测物理状态，而许多科学场景真正需要的是模拟不确定性如何在受约束的动力学系统中传播。
新范式：流学习器
论文提出了一个核心观点：PDE求解的关键对象不应仅仅是状态本身，而是在物理允许的未来状态空间上的输运过程。这催生了 “流学习器” 的概念。
流学习器不再直接预测离散的状态，而是参数化一个输运向量场。通过对这个向量场进行积分，模型可以生成连续的物理轨迹。这种方法与PDE所描述的连续动力学本质形成了物理到物理的对齐。
流学习器的优势
这种范式转变带来了几个关键优势：
- 支持连续时间预测：模型通过积分生成解，自然支持任意时间点的输出，而不仅仅是训练时设定的离散时间步。
- 原生不确定性量化：由于模型学习的是概率路径或向量场，它能够更自然地表达和量化解的不确定性，这对于许多科学应用至关重要。
- 为物理感知的求解器设计开辟新机会：将学习目标对准物理动力学本身（输运），而非其副产品（状态），使得模型设计可以更直接地融入物理先验知识、对称性或守恒律。
总结与展望
论文论证了基于输运的学习为学习型PDE求解提供了一个更强大的组织原则。它从“预测状态”转向“模拟动力学”，有望解决现有方法在长期推演稳定性、复杂问题优化和不确定性建模方面的核心挑战。
作者也概述了这一范式转变所引领的研究议程，包括如何具体设计流学习器架构、高效训练策略，以及如何将这一框架应用于更广泛的科学计算问题。如果成功，“物理到物理”的流学习范式可能成为继生成式AI在语言等领域取得成功后，AI赋能科学计算（AI for Science）领域的下一个重要突破点。