[论文解读] Discovering Nonlinear PDEs from Scarce Data with Physics-encoded Learning

Chengping Rao, Pu Ren+2 more|arXiv (Cornell University)|Jan 28, 2022

Model Reduction and Neural Networks被引用 12

一句话总结

本文提出一种物理编码的深度学习框架 PeRCNN，用于从稀缺、噪声大且分辨率低（LR）的时空测量数据中发现非线性偏微分方程（PDE）。通过首先利用物理信息递归卷积网络重建高保真数据，再在重建数据上应用稀疏回归，该方法即使在高噪声和数据稀缺条件下也能实现准确的 PDE 发现，在多达 10% 噪声和 10% 数据子采样下，优于多种基线模型，在多个非线性 PDE 系统中表现优异。

ABSTRACT

There have been growing interests in leveraging experimental measurements to discover the underlying partial differential equations (PDEs) that govern complex physical phenomena. Although past research attempts have achieved great success in data-driven PDE discovery, the robustness of the existing methods cannot be guaranteed when dealing with low-quality measurement data. To overcome this challenge, we propose a novel physics-encoded discrete learning framework for discovering spatiotemporal PDEs from scarce and noisy data. The general idea is to (1) firstly introduce a novel deep convolutional-recurrent network, which can encode prior physics knowledge (e.g., known PDE terms, assumed PDE structure, initial/boundary conditions, etc.) while remaining flexible on representation capability, to accurately reconstruct high-fidelity data, and (2) perform sparse regression with the reconstructed data to identify the explicit form of the governing PDEs. We validate our method on three nonlinear PDE systems. The effectiveness and superiority of the proposed method over baseline models are demonstrated.

研究动机与目标

• 解决从低分辨率和噪声实验测量中发现控制 PDE 的挑战，传统方法因数据质量差而失效。
• 克服现有数据驱动 PDE 发现方法依赖高质量数据、在噪声下易过拟合和不稳定的局限性。
• 开发一种白盒、可解释的模型，将先验物理知识（如已知 PDE 项、初始/边界条件）整合到深度学习架构中，以提升鲁棒性和准确性。
• 实现在真实场景中对复杂非线性 PDE 的可靠发现，尤其在数据稀疏且受噪声污染的情况下，特别是在高维系统中。
• 提出一种混合框架，将物理编码的数据重建与稀疏回归相结合，迭代优化 PDE 结构与系数。

提出的方法

• 提出 PeRCNN，一种新颖的深度卷积-循环网络架构，通过高速公路卷积层和逐元素乘法操作，将物理知识编码于非线性 PDE 项的建模中。
• 利用 PeRCNN 网络从低分辨率（LR）和噪声测量中重建高分辨率（HR）时空数据，通过嵌入的约束确保物理一致性。
• 在重建的 HR 数据上应用稀疏回归（SINDy/STRidge），识别控制 PDE 中的主导候选项，使用多项式与导数函数的库。
• 通过完全基于物理的网络进行微调，以优化发现的 PDE 项的系数，提升准确性和泛化能力。
• 通过交替执行数据重建与 PDE 发现，迭代优化框架，同时兼顾数据保真度与物理合理性。
• 将先验知识（如已知 PDE 结构、初始与边界条件、反应项形式，如多项式）直接嵌入网络架构中，以增强可解释性与稳定性。

实验结果

研究问题

• RQ1 一种编码物理知识的深度学习模型能否从极度稀缺且噪声大的测量中重建出具有物理一致性的高保真时空数据？
• RQ2 将物理信息深度学习与稀疏回归结合，如何提升在数据稀缺与噪声条件下的 PDE 发现准确率与鲁棒性？
• RQ3 当仅使用 10% 的 HR 数据用于稀疏回归时，所提框架在多大程度上能发现真实的底层 PDE？
• RQ4 在高噪声与低分辨率条件下，该方法在 PDE 结构恢复与系数准确性方面，与基线模型（如 PDE-FIND、PDE-Net 和 FCNN+SR）相比表现如何？
• RQ5 该框架能否从粗粒度测量中处理具有复杂非线性时空动力学的 PDE，如 2D Gray-Scott 与 Gierer-Meinhardt 反应-扩散系统？

主要发现

• 在 10% 噪声下，对于 2D Gierer-Meinhardt 反应-扩散系统，该方法在 PDE 发现中达到 $5.44 \times 10^{-2}$ 的相对误差，召回率为 100%，精确率为 91.6%。
• 对于 2D Burgers 方程，该方法成功恢复了正确的 PDE 结构，系数接近真实值：$u_t = 0.096\Delta u + 1.038u - 1.048u^3 + \dots$，展现出高系数准确性。
• 在 $26 \times 26$ 的 LR 测量下，2D Gray-Scott 系统中，该方法重建出高保真度的 $101 \times 101$ 解，并以极小误差发现正确的 PDE 项，优于 PDE-FIND、PDE-Net 和 FCNN+SR。
• 即使仅使用 10% 的 HR 数据进行稀疏回归，该框架仍保持稳健性能，表明其在数据稀缺条件下的强泛化能力。
• 微调步骤显著提升了系数准确性，最终 2D GS 系统的 PDE 系数与真实值相差在 $1\%$ 以内（例如，$\Delta u$ 的系数为 $2.001 \times 10^{-5}$）。
• 在所有三个测试案例中，该方法均展现出优越的重建质量与 PDE 发现准确性，验证了其在真实世界不完美数据场景下的有效性。