科学机器学习综合复习

用同一个热传导任务锁定比较对象

考虑二维区域 $\Omega$ 上的变系数热方程

配给定初值 $u_0(x)$ 和Dirichlet、Neumann或混合边界。$u$ 是温度，$\kappa$ 是正导热系数，$s$ 是热源，$\rho c$ 是体积热容。先统一单位、符号、时间区间、几何和边界；否则不同实现可能求解不同问题。

同一方程可以有三类产品目标。第一，给定一个 $\kappa,s,u_0$ 求高可信场；第二，根据稀疏温度观测反演 $\kappa$ 或热源；第三，对成千上万个新输入场快速预测整段温度。方法选择由产品目标、数据与预算决定，不由模型名称新旧决定。

本章所有比较以传统数值解为起点，再决定是否需要可微梯度、连续网络近似或摊销算子代理。学习方法不能免除方程和离散核验。

传统数值基线先证明问题被正确离散

有限差分、有限体积或有限元把方程变成离散系统。热守恒形式宜优先检查单元通量：域内总热量变化应等于热源积分加边界净通量。时间步还要满足所选显式或隐式格式的稳定与精度条件。

验证至少包含制造解或解析特例、网格和时间步加密、求解器容差、边界通量及单位测试。网格收敛要比较同一物理量在 $h,h/2,h/4$ 上的变化，而不是只展示最细网格图像。

若参考标签本身误差约百分之一，学习模型对标签的百分之零点一误差并不证明更接近连续真解。报告需把模型—离散标签误差与离散—参考误差并列。

可微模拟适合保留可信离散并求参数梯度

若已有验证充分的离散求解器，并需反演少量参数或优化控制，可让求解链对 $\kappa$、源项或边界参数可微。自动微分或伴随法给出观测损失梯度，避免每个参数分别重跑有限差分。

梯度对应所实现的离散算法。时间步、迭代停止、线性求解容差和网格改变都会改变梯度；未收敛迭代的反向链不是精确PDE解导数。应在小问题上用方向有限差分核对，并做网格梯度收敛。

内存可通过检查点和重算交换，隐式求解可用隐式微分避免保存全部迭代，但线性化系统仍需稳定求解。可微不表示代价低，也不解决参数不可辨识。

PINN把场、方程和初边值条件放入复合损失

PINN用网络 $u_\theta(x,t)$ 表示一个场，通过自动微分计算PDE残差

训练目标组合域内残差、初值、边界和观测：

它适合没有现成网格接口、需要在连续坐标查询或联合少量数据的场景，但优化可能受多尺度、刚性、尖锐边界层和损失权重影响。collocation点是数值离散的一部分；称为“无网格”不表示没有采样误差。

小残差不保证小解误差：边界条件错误、collocation漏掉局部层、病态算子或多个近似解都可造成问题。PINN要与传统解在同网格采样对照，并检查独立加密点、守恒和网格/采样收敛。

DeepONet与FNO把昂贵求解摊销到函数分布

若需为许多 $kappa(x),s(x,t),u_0(x)$ 重复求解，可学习算子。DeepONet的branch读取输入函数传感器值，trunk读取 $(x,t)$，以内积输出温度，适合坐标查询和固定传感器表示。FNO把规则网格场lift到通道，在保留Fourier模态上做全局卷积，适合相同矩形域上的全场批量预测。

二者都需要大量输入函数—参考解对，训练目标是所采函数分布上的算子近似。DeepONet受传感器可辨识限制，FNO受网格、周期延拓和模态截断影响。能在新坐标或新网格调用不等于对新边界、新几何或未解析频率准确。

函数级切分必须让一个输入场的所有输出点和分辨率位于同一侧。测试矩阵至少含同分布新函数、训练参数边缘、更高频输入、细网格、边界变化和长期滚动；每项只改变一个轴，再测组合移位。

若数据生成可以并行或求解器分解可复用，盈亏点会改变；若函数分布更新导致重训，前置成本会重复。模型压缩和推理加速也可能降低精度，应纳入同一曲线。

反演把前向误差放进后验和决策

稀疏传感器观测写成

传统或可微求解器可直接用于似然，PINN可联合估计场和参数，算子代理可加速大量后验样本。任何代理误差若未进入 $delta$，后验可能非常窄却围绕错误参数。应在后验高概率区域用高精度求解器抽检，必要时使用多层校正或最终重算。

参数、观测和模型不确定性分别传播。覆盖在独立合成真值或留出传感器上评价，且报告区间宽度。反演残差只在传感器空间，不能证明全场或参数真实。

守恒、边界和长期稳定是共同硬门槛

无论方法，热量账本应满足

数值方法可能因离散通量满足守恒；普通神经网络不会自动满足。可用结构保持通量、硬边界、投影或软损失，但软损失有限时仍会违反。边界区域、材料界面和热源附近应单独报告最大误差。

时间推进代理必须滚动到部署时域。一步误差小可经不稳定映射放大；统计量看似正确也可能相位错位。比较绝对场误差、总热量、峰值位置、稳定范围和失败时间，而不是只平均所有时空点。

方法选择从任务合同开始

若只需一个或少量高可信前向解，优先验证成熟数值求解器；学习模型通常没有摊销优势。若需对同一离散模型反演参数且可访问代码，选择可微模拟或伴随，并配正则/后验与梯度核验。若缺少网格求解接口、观测稀疏且希望连续坐标场，可将PINN作为候选，但必须与数值/插值基线比较。

若需大量新输入函数的快速输出，且有高质量数据生成预算，选择算子代理。固定规则网格全场预测可优先测试FNO；传感器向量加任意坐标查询可优先测试DeepONet。复杂几何、非周期边界或未解析高频可能要求图/核算子、域映射或保留传统求解器。混合方案应写清哪一环由学习替代以及误差如何传递。

统一验证协议分六层推进

第一层冻结方程、单位、几何、边界、输入函数分布、观测和部署时域。第二层验证参考求解器：制造解、网格/时间收敛、守恒和容差。第三层验证实现：梯度有限差分、PINN各损失、DeepONet传感器混叠、FNO频率和边界测试。

第四层按函数或场景切分数据，设置同分布、单轴外推和组合外推。第五层报告场 $L^2$、最大误差、边界、残差、守恒、长期稳定、反演覆盖与区间宽度。第六层在同硬件、同精度下记录数据生成、训练、推理、内存、能耗或墙钟时间，并计算查询盈亏点。

任何一层失败都应保留失败样本而不是只平均。传统基线、简单插值、降阶模型和无物理网络帮助判断复杂结构是否真正贡献。

可复现资产必须能重建数据和结论

保存方程与无量纲化、随机场生成器、参数范围、网格和时间步、求解器版本与容差、传感器和切分ID、训练种子、损失权重、归一化统计、硬件、检查点和评价脚本。仅发布网络权重无法重建标签或外推边界。

表格中每个数字关联数据版本、模型版本和协议；图像展示使用固定色标和单位。论文或教材基准只支持其方程、网格、数据和预算，不能直接推断另一工程场景。复现成功表示同协议得到相近结果，不等于模型物理真实。

练习

概念关系

• 可微物理与模拟器 支持可信离散链上的梯度。
• 物理信息神经网络 用残差和初边值约束场网络。
• DeepONet 支持函数传感器到坐标查询的算子代理。
• 神经算子 支持网格场和Fourier算子层。
• 逆问题与不确定性 连接观测、后验、覆盖和模型偏差。
• 偏微分方程数值方法 提供网格、稳定、收敛和守恒基线。
• 科学机器学习 统一科学目标、数据和学习方法。

资源