[论文解读] Energy Dissipation Preserving Feature-based DNN Galerkin Methods for Gradient Flows

Tao Tang, Jiang Yang+2 more|arXiv (Cornell University)|Mar 14, 2026

Model Reduction and Neural Networks被引用 0

一句话总结

本文提出了一种结构保持的 DNN-Galerkin 框架用于梯度流，其将神经网络输出作为自适应基函数，以确保半离散能量耗散并实现高精度、无网格模拟，包括自适应基更新和问题信息化的预训练。

ABSTRACT

In recent years, deep learning methods, exemplified by Physics-Informed Neural Networks (PINNs), have been widely applied to the numerical solution of differential equations. However, these methods may suffer from limited accuracy, high training costs, and lack of robustness, particularly their inability to preserve the intrinsic physical structures of continuous PDE models, such as the energy dissipation property in gradient flow systems. To address these challenges, we propose a feature-based Deep Neural Network Galerkin (DNN-G) framework designed for structure-preserving simulations of gradient flows. Instead of treating neural networks merely as optimization-driven solvers, we employ them as adaptive feature generators that define nonlinear trial spaces within a Galerkin projection formulation.This formulation guarantees semi-discrete energy dissipation and can be naturally combined with energy stable time integration schemes. Several strategies for constructing neural basis functions are investigated, including random features, structured initialization, and problem-informed pre-training. Numerical experiments demonstrate that the proposed method preserves robust energy stability in high-dimensional settings and accurately captures complex topological transitions. With equivalent degrees of freedom, the DNN-G framework achieves higher accuracy than classical spectral methods, highlighting the effectiveness of neural feature representations for the numerical solution of partial differential equations.

研究动机与目标

• 在保持内在能量耗散结构的前提下，激发梯度流的数值解法。
• 提出一个神经 Galerkin 框架，将投影到基于神经网络的试探空间，以获得能量耗散的半离散系统。
• 开发自适应且问题信息化的策略，在演化过程中构建与更新神经基函数。
• 在高维情况下展示相较于经典离散化的可扩展性与准确性提升。

提出的方法

• 将神经网络输出解释为用于 Galerkin 投影的自适应非线性试探基函数。
• 将混合梯度流公式化并投影到神经基上，得到具有对称正定质量矩阵的有限维动态系统。
• 在对称负半定 G 和独立的神经基下证明半离散能量耗散，确保能量稳定性。
• 将半离散系统与标准的能量稳定时间积分方法（如 IMEX-RK2）耦合以实现完全离散化的能量耗散。
• 通过带结构化第一层初始化的随机特征构建神经基，以改善条件数，并结合离线预训练与自适应基更新。
• 实现一种自适应方案，使用 PINN 预训练获取全局特征并进行时域局部基更新，以处理拓扑变化，同时保持能量。

实验结果

研究问题

• RQ1 DNN 基 Galerkin 框架是否能够在半离散水平上保持梯度流的能量耗散定律？
• RQ2 如何构造并自适应神经基函数，以在高维梯度流问题中保持精度和良好条件数？
• RQ3 将问题信息化的预训练和自适应基更新整合，是否比传统谱方法/网格方法在精度与稳定性上更优？
• RQ4 自适应基更新对长期仿真中的全局能量耗散有何影响？
• RQ5 在高维下，DNN-Galerkin 方法相较于 PINN 在解决梯度流 PDEs 时表现如何？

主要发现

• 在适当条件下，DNN-Galerkin 方案能够在半离散水平保持能量耗散定律。
• 自适应基构造与更新能够跟踪界面动力学和拓扑变化，而不牺牲能量耗散。
• 在等效自由度下，DNN-Galerkin 方法比经典谱方法获得更高的精度。
• 高维实验（如 5D 热方程）显示出良好的时间收敛性，与时间积分阶次相符且鲁棒性强。
• 基于 PINN 全局特征的自适应方案实现了在基更新过程中的稳定长时间仿真。
• 数值结果显示能量耗散与理论轨迹接近，且在高维下优于标准 PINN。