[论文解读] Learning Green's Functions of Linear Reaction-Diffusion Equations with Application to Fast Numerical Solver

Yuankai Teng, Xiaoping Zhang+2 more|arXiv (Cornell University)|May 23, 2021

Model Reduction and Neural Networks参考文献 18被引用 5

一句话总结

该论文提出GF-Net，一种物理信息深度学习框架，用于在任意域上学习具有狄利克雷边界条件的线性反应-扩散方程的格林函数。通过利用域分解和对称性惩罚训练，GF-Net实现了对不同源项和边界条件的快速、无需微调的数值求解，其精度与有限元方法相当，但求解时间显著缩短。

ABSTRACT

Partial differential equations are often used to model various physical phenomena, such as heat diffusion, wave propagation, fluid dynamics, elasticity, electrodynamics and image processing, and many analytic approaches or traditional numerical methods have been developed and widely used for their solutions. Inspired by rapidly growing impact of deep learning on scientific and engineering research, in this paper we propose a novel neural network, GF-Net, for learning the Green's functions of linear reaction-diffusion equations in an unsupervised fashion. The proposed method overcomes the challenges for finding the Green's functions of the equations on arbitrary domains by utilizing physics-informed approach and the symmetry of the Green's function. As a consequence, it particularly leads to an efficient way for solving the target equations under different boundary conditions and sources. We also demonstrate the effectiveness of the proposed approach by experiments in square, annular and L-shape domains.

研究动机与目标

• 开发一种针对具有任意源项和狄利克雷边界条件的线性反应-扩散方程的快速、无需微调的数值求解器。
• 克服传统方法在复杂域上数值计算格林函数时的计算不可行性。
• 将物理对称性和边界约束直接嵌入深度学习架构中，以提升泛化能力。
• 在不重新训练的情况下，通过学习到的格林函数实现PDE的高效求解，当源项或边界条件发生变化时亦可快速更新。
• 通过大量数值实验验证该方法在多样化几何形状和算子系数下的鲁棒性。

提出的方法

• GF-Net是一种通过无监督方式训练的物理信息神经网络，其损失函数惩罚残差误差、边界条件违反情况以及格林函数输出的不对称性。
• 采用域分解策略将计算域划分为子域，使多个GF-Nets可在更小的块上并行训练，从而加速收敛。
• 采用源位置感知的采样策略，通过在源点附近集中采样，提高训练效率和精度。
• 格林函数被建模为从空间坐标到脉冲响应值的非线性映射，从而可通过积分实现解的精确重构。
• 通过损失函数中的惩罚项强制实现格林函数的对称性，以反映算子的内在物理特性。
• 训练完成后，GF-Net作为格林函数的代理模型，可通过数值积分快速求解任意源项和边界条件下的PDE。

实验结果

研究问题

• RQ1 深度学习模型是否能够在无标注数据的情况下，在任意域上学习线性反应-扩散算子的格林函数？
• RQ2 如何将物理对称性和边界条件嵌入神经网络以提升泛化能力和精度？
• RQ3 域分解和专用采样策略是否能显著加速格林函数网络的训练？
• RQ4 训练后的GF-Net是否能够实现对不同源项和边界条件的PDE的快速、无需微调求解？
• RQ5 GF-Net在精度和计算效率方面与传统有限元方法相比表现如何？

主要发现

• GF-Net在三个不同域上的反应-扩散方程求解中，误差约为4.5e-3至5.0e-3，与有限元方法结果相当。
• 对于泊松方程，GF-Net在545个积分点下求解时间不足0.5秒，而FEM最多耗时0.6秒。
• 在域Ω₁上，GF-Net以0.18秒完成289个积分点的反应-扩散问题求解，速度优于FEM，同时保持相近精度。
• 该方法在所有测试域（Ω₁、Ω₂、Ω₃）和算子系数下均表现出一致性能，即使在复杂几何下误差也低于5.2e-2。
• 当更改源项或边界条件时，GF-Net方法无需重新训练，可在初始训练后快速更新解。
• 对称性惩罚损失函数有效保持了格林函数的固有对称性，提升了解的稳定性和精度。