[论文解读] Enforcing exact physics in scientific machine learning: a data-driven exterior calculus on graphs

Nathaniel Trask, Andy Huang+1 more|arXiv (Cornell University)|Dec 22, 2020

Model Reduction and Neural Networks参考文献 61被引用 7

一句话总结

本文提出一种数据驱动的外微分计算（DDEC），通过从图上的数据中学习度量信息，精确强制执行物理定律（如守恒律和无散度约束）。结合组合Hodge理论与神经网络，DDEC构建了满足偏微分方程（PDE）约束至机器精度的物理信息代理模型，即使在数据有限或训练不佳的情况下亦成立。

ABSTRACT

As traditional machine learning tools are increasingly applied to science and engineering applications, physics-informed methods have emerged as effective tools for endowing inferences with properties essential for physical realizability. While promising, these methods generally enforce physics weakly via penalization. To enforce physics strongly, we turn to the exterior calculus framework underpinning combinatorial Hodge theory and physics-compatible discretization of partial differential equations (PDEs). Historically, these two fields have remained largely distinct, as graphs are strictly topological objects lacking the metric information fundamental to PDE discretization. We present an approach where this missing metric information may be learned from data, using graphs as coarse-grained mesh surrogates that inherit desirable conservation and exact sequence structure from the combinatorial Hodge theory. The resulting data-driven exterior calculus (DDEC) may be used to extract structure-preserving surrogate models with mathematical guarantees of well-posedness. The approach admits a PDE-constrained optimization training strategy which guarantees machine-learned models enforce physics to machine precision, even for poorly trained models or small data regimes. We provide analysis of the method for a class of models designed to reproduce nonlinear perturbations of elliptic problems and provide examples of learning $H(div)/H(curl)$ systems representative of subsurface flows and electromagnetics.

研究动机与目标

• 开发一种机器学习框架，精确强制执行物理定律，而非通过正则化近似实现。
• 通过从数据中赋予图以度量信息，弥合基于图的模型与PDE离散化之间的鸿沟。
• 保持对科学机器学习中物理可实现性至关重要的精确序列与Hodge拉普拉斯算子可逆性结构。
• 为具有非线性扰动的椭圆型PDE构建适定且保持结构的代理模型。
• 提供与训练质量或数据量无关的物理一致性数学保证。

提出的方法

• 将图用作粗粒度网格代理，其拓扑结构源自组合Hodge理论。
• 从高保真数据中学习缺失的度量信息，以定义数据驱动的外微分计算（DDEC）。
• 在图上使用可训练的散度与旋度算子，精确满足Stokes定理。
• 结合神经网络参数化通量，同时保持守恒律与精确序列结构。
• 应用PDE约束优化训练模型，使物理约束达到机器精度。
• 通过保持Hodge分解与算子可逆性，确保非线性椭圆系统适定性。

实验结果

研究问题

• RQ1 基于图的模型能否在科学机器学习中精确强制执行物理守恒律，而非近似实现？
• RQ2 如何从数据中学习度量信息，使纯粹拓扑结构的图具备物理保真度？
• RQ3 数据驱动的外微分计算能否在非线性扰动下保持精确序列与Hodge拉普拉斯算子可逆性？
• RQ4 该框架在小样本数据或训练不佳的情况下是否仍能保持适定性与物理一致性？
• RQ5 该方法能否推广至具有非线性材料定律的复杂系统（如磁静力学与地下水流）？

主要发现

• DDEC框架即使在模型训练不佳时，也能将物理约束（如无散场与守恒律）精确强制至机器精度。
• 该方法在一般条件下保持非线性椭圆问题的适定性，确保数学稳定性。
• 在Darcy流问题中，所学习的代理模型能准确再现不同α值下y=0.5处的压力分布，与真实解一致。
• 在磁静力学中，模型能准确捕捉材料界面处磁场的不连续性，且未引入虚假振荡。
• 该框架成功学习到一个单一的非线性模型，可求解多个α值，展示了在参数域间的泛化能力。
• 所得代理模型具有可证明的稳定性与结构保持性，其保证独立于训练收敛性或数据量。