JAWS：通过空间自适应雅可比正则化增强神经算子的长期推演能力
在科学计算和工程仿真领域，数据驱动的代理模型正成为模拟连续动力系统的关键工具。然而，这些模型在自回归推演时常常面临不稳定性和频谱爆炸的挑战。传统全局正则化方法虽然能强制收缩动力学，却会均匀抑制高频特征，导致收缩-耗散困境。针对这一问题，研究人员提出了JAWS（Jacobian-Adaptive Weighting for Stability），一种创新的概率正则化策略，旨在通过空间自适应方式平衡稳定性和精度。
核心挑战：稳定与精度的两难
神经算子作为数据驱动代理模型，通过学习从函数到函数的映射来高效模拟偏微分方程等连续系统。但在长期推演中，误差会累积放大，引发不稳定和频谱爆炸。现有解决方案主要分为两类：
- 全局正则化：强制整体收缩动态，但会过度平滑高频特征（如激波、边界层），损失物理细节。
- 长时域轨迹优化：显式校正漂移，但受限于内存约束，难以扩展到高维问题。
JAWS 的提出，正是为了在两者之间找到更优平衡点。
JAWS 的工作原理：空间自适应先验
JAWS 将算子学习框架重构为最大后验概率（MAP）估计，并引入空间异方差不确定性。其核心创新在于：
- 动态调制正则化强度：根据局部物理复杂度（如梯度大小、曲率）自适应调整正则化权重。
- 分区处理：在平滑区域加强收缩以抑制噪声，在奇异特征附近放松约束以保留梯度。
- 类似数值激波捕捉：实现了与计算流体力学中激波捕捉方案相似的行为，既能稳定求解，又能保持物理间断的清晰度。
从技术角度看，JAWS 通过雅可比矩阵的局部分析来量化不确定性，从而构建一个空间变化的先验分布。这使得模型在训练时就能“感知”到不同区域的稳定性需求，而非一刀切地应用全局惩罚。
实验验证与性能提升
在一维粘性 Burgers 方程上的实验表明，JAWS 带来了多方面的改进：
- 长期稳定性增强：减少了推演过程中的误差累积和发散现象。
- 激波保真度提高：在间断附近更好地保持了梯度信息，避免了过度平滑。
- 分布外泛化能力：对未见初始条件或参数表现出更强的鲁棒性。
- 计算效率优化：降低了训练计算成本，同时使短时域轨迹优化在长期精度上匹配甚至超越长时域基线。
值得注意的是，JAWS 作为一种频谱预处理器，减轻了基础算子处理高频不稳定的负担，从而允许更轻量化的优化策略。
行业意义与未来展望
JAWS 的提出，为神经算子在科学机器学习领域的应用扫除了一项关键障碍。其价值不仅在于提升单个模型的性能，更在于：
- 推动高保真仿真：在计算流体力学、气候建模、材料科学等领域，有望实现更精确、更高效的长期模拟。
- 降低计算门槛：通过减少内存需求和训练成本，使复杂系统的数据驱动建模更易于部署。
- 启发新正则化范式：空间自适应的思想可能扩展到其他深度学习领域，如生成模型或强化学习，其中稳定性和细节保留同样重要。
当然，JAWS 目前主要在一维问题上验证，其在高维、多物理场场景中的表现仍需进一步探索。此外，如何自动、高效地估计局部物理复杂度，也是未来研究的一个方向。
小结
JAWS 通过巧妙的概率框架和空间自适应设计，为神经算子的长期推演问题提供了一个优雅的解决方案。它不仅在理论上突破了收缩-耗散困境，在实践上也展示了显著的性能提升。随着科学机器学习日益成熟，这类兼顾稳定与精度的技术，将成为推动AI赋能科学研究的关键基石。