📰 论文速递

每周从 arXiv 筛出物理 AI / 科学 ML 方向的新论文,去重后配上站点自撰的推荐理由。只索引元数据,不转载摘要全文。

RSS 用 RSS 订阅,每周自动收到新一期。
第 47 周 10 篇

第 47 周 · 物理信息约束、PINN(物理信息神经网络)等方向的最新进展

本期 10 篇覆盖 物理信息约束、PINN(物理信息神经网络)、PINN(物理信息神经网络) 等方向,共同指向同一个问题:如何让物理约束的学习方法在真实求解尺度上稳定成立。下面按主题逐篇给出导读与推荐理由。

  • 1. Fuse-PINN: Combining Finite Element Methods and Physics-Informed Neural Networks to enable massively …(物理信息约束、PINN(物理信息神经网络)方向)
  • 2. CoupledFlow: One-Step Neural Operators for Coupled Multi-Physics PDEs(神经算子、算子学习方向)
  • 3. Convergence analysis of physics-informed neural networks for subdiffusion(物理信息约束、PINN(物理信息神经网络)方向)
覆盖区间: 2026-11-06 → 2026-11-13 更新于 2026-11-16
第 46 周 10 篇

第 46 周 · 从「能跑」到「可信」:算子认证、评测标准与 14TB 湍流基准

本期 10 篇里有一半在做同一件事——把「物理 AI 能不能信」工程化:函数空间的 IBP 与 CROWN 让神经算子第一次能在整个连续域上给出严格上下界,PINNeval 把 PINN 训练拆成四个组件并要求未被研究的组件也用最强实现来对照,14TB 的 TurtLES 则把自回归 rollout 的时序失稳与小尺度能量流失摆上台面。另一半在补训练与数据的基本功:用坐标变换摊平 PINN 的梯度分布、用多保真线性回归在数据稀缺下估降阶算子、用 Wasserstein 路径合成数据把无求解器训练的误差压低一个量级。

  • 神经算子第一次能在连续定义域上被认证:把 IBP 与 CROWN 搬到函数空间、逐层传播上下界函数,并扩展到高阶导数以认证 PDE 残差与解误差界,在 5.725 亿参数的球面 FNO 全球天气预报上给出紧而全域的保证(2611.09038)
  • PINN 评测标准被重新定义:PINNeval 把训练流程拆成域重要性适配、损失平衡、网络架构、优化方案四个组件整体来评,硬性要求未被研究的组件也采用有竞争力的实现,并配套发布含 18 种方法、9 个基准问题的 JAX 包 PINNpipe(NeurIPS 2026 Evaluations & Datasets 录用,2611.08559)
  • 三维湍流代理模型有了硬基准:TurtLES 用 14TB 数据集覆盖剪切层转捩区的圆柱尾流(400 条轨迹 × 400 个时间步、每帧 300 万–1100 万点),测出自回归 rollout 的三类失效——时序失稳、小尺度能量流失、大不规则域难学(2611.09567)
覆盖区间: 2026-11-05 → 2026-11-10 更新于 2026-11-12
第 45 周 10 篇

第 45 周 · PINN 补「基本功」,神经算子走向可用

本期 10 篇里有 4 篇在给 PINN 补基本功:用 Lie 对称构造带精确解的采样点、把非线性 Burgers 方程硬约束到离散解平面、用全纯分析的解析结构绕开非齐次项,以及一篇把浮力驱动流的训练崩坏追溯到无量纲化带来的梯度失衡。另有几篇在推动神经算子真正可用——作为非线性优化的预条件子(带收敛保证)、作为预报与谱分析算子,并有人提醒 The Well 的基准线从来不是架构上限。

  • PINN 训练崩坏的一类根因被定位:浮力驱动流里热扩散与自由落体两种无量纲化让损失梯度差 (Ra·Pr)² 量级,自适应权重与稀疏监督都救不回来
  • 硬约束进入非线性区:把 Burgers 离散后拆成约束矩阵,用一层不可训练投影把网络预测钉到离散解的超平面上,数据误差比同配 PINN 低约一个数量级
  • 全纯神经网络工程化:把解拆成特解 + 齐次解,特解走谱方法、齐次解走边界训练的 PIHNN,非齐次 Poisson/Stokes/双调和/弹性/Helmholtz 上训练更短、误差更低
覆盖区间: 2026-10-25 → 2026-10-30 更新于 2026-11-04
第 44 周 10 篇

第 44 周 · 残差不再作数:可诊断的算子与结构化约束

本期 10 篇在回答「凭什么相信这个解」:毛细界面一文证明低损失可以对应根本不存在的解,ConFIG 一文证明辛苦建立的梯度无冲突保证会被优化器悄悄破坏,另有两篇给出不需要真值就能算的诊断量,以及与空间维数无关的误差界。

  • 残差低不等于解存在:多边形通道毛细界面在无解区仍返回光滑解面,损失只有理论上界的 1.6 到 1.9 倍
  • 优化器会破坏你的保证:ConFIG 的无冲突方向经 Adam 再处理后不再无冲突,三行补丁即可恢复
  • OOD 变得可预测:谱误差分解把能量范数误差拆成两个可观测项,无需真值即可提前预警
覆盖区间: 2026-09-20 → 2026-10-23 更新于 2026-10-26
第 43 周 10 篇

第 43 周 · 残差之外的正确性:算子的可验证性与结构先验

本期 10 篇不再满足于「残差更小」,而是追问解是否真的对:粘性解测试显示低残差可以对应整域取值错误的解,降阶的最优性被写进再生核希尔伯特空间,神经算子的外推瓶颈也被指认为几何支撑而非网络架构本身。

  • 残差小但解是错的:粘性解测试中,标准周期网络 30/30 次都收敛到「残差极小而取值整域错误」的折叠解
  • 降阶第一次有了 RKHS 层面的最优性:插值型必要条件被推广到再生核希尔伯特空间,且对不可微核同样成立
  • 不规则网格 + 严格误差界:可学习样条神经算子推到 4600 万节点,并用 Bernstein 凸包给出连续空间的预测界
覆盖区间: 2026-09-27 → 2026-10-20 更新于 2026-10-26
第 42 周 8 篇

第 42 周 · PINN 训练失效与神经算子的边界

本期 8 篇有一个共同气质:不再只报「精度又涨了」,而是认真拆解物理约束方法什么时候失效——梯度冲突、轴对称奇点、粗粒化后的非线性项,以及「复用」到底有没有真的学到东西。

  • PINN 失效模式被系统归因:域分解后的残差 / 边界 / 界面梯度冲突,可用无冲突梯度投影直接缓解
  • 两篇论文质疑「物理约束」本身的前提:粗粒化或随机驱动下,被拟合的场并不满足原方程
  • 神经算子继续向难几何推进:非规则域的时空谱算子,不再依赖域变形或插值
覆盖区间: 2026-08-30 → 2026-10-07 更新于 2026-10-12