[论文解读] One-shot learning for solution operators of partial differential equations

Jiao, Anran, Haiyang He+3 more|arXiv (Cornell University)|Apr 6, 2021

Model Reduction and Neural Networks参考文献 13被引用 4

一句话总结

该论文提出了首个用于PDE解算子的一次性学习方法，通过将计算域分解为小的子域，利用单个PDE解训练的局部解算子实现。采用基于网格的定点迭代（FPI）或无网格的局部解算子神经网络（LOINN），该方法在极少量数据下对线性和非线性PDE均表现出强大的泛化能力，即使在噪声条件下也显示出极低的误差率。

ABSTRACT

Learning and solving governing equations of a physical system, represented by partial differential equations (PDEs), from data is a central challenge in a variety of areas of science and engineering. Traditional numerical methods for solving PDEs can be computationally expensive for complex systems and require the complete PDEs of the physical system. On the other hand, current data-driven machine learning methods require a large amount of data to learn a surrogate model of the PDE solution operator, which could be impractical. Here, we propose the first solution operator learning method that only requires one PDE solution, i.e., one-shot learning. By leveraging the principle of locality of PDEs, we consider small local domains instead of the entire computational domain and define a local solution operator. The local solution operator is then trained using a neural network, and utilized to predict the solution of a new input function via mesh-based fixed-point iteration (FPI), meshfree local-solution-operator informed neural network (LOINN) or local-solution-operator informed neural network with correction (cLOINN). We test our method on diverse PDEs, including linear or nonlinear PDEs, PDEs defined on complex geometries, and PDE systems, demonstrating the effectiveness and generalization capabilities of our method across these varied scenarios.

研究动机与目标

• 为解决仅有一个解可用时学习PDE解算子的挑战，特别是当数据极少时。
• 克服现有深度学习方法在PDE求解中数据效率低下的问题，这些方法通常需要大规模数据集。
• 开发一种方法，仅使用一个参考解即可在不同初始条件和源项下实现良好泛化。
• 利用PDE的局部性，实现在新条件下可扩展、稳定且精确的解预测。

提出的方法

• 将计算域分解为小的局部子域，以学习局部解算子。
• 训练神经网络，将局部边界值和源项映射到每个子域中心点的解。
• 使用基于网格的定点迭代（FPI）方法，通过迭代满足全局边界和初始条件，同时保持局部PDE约束。
• 提出两种无网格变体——LOINN和cLOINN，通过随机采样点提升稳定性和鲁棒性。
• 通过选择一个参考源函数及其对应解，将解算子学习问题形式化为一次性学习问题。
• 将该方法应用于线性和非线性PDE，包括扩散方程和非线性扩散-反应方程，适用于结构化和非结构化网格。

实验结果

研究问题

• RQ1 能否仅从一个解中准确学习到PDE的解算子，而无需事先知道PDE的形式？
• RQ2 局部域的大小和结构选择如何影响解预测的精度和收敛性？
• RQ3 在噪声条件下，无网格LOINN和cLOINN方法是否能优于基于网格的定点迭代方法，在稳定性和鲁棒性方面表现更优？
• RQ4 该方法在接近参考解的新源函数下泛化能力如何，特别是在噪声水平增加时？
• RQ5 网格分辨率对一次性局部解算子学习性能有何影响？

主要发现

• 对于具有4个节点局部域的线性扩散方程，FPI和cLOINN在噪声水平$\sigma = 0.10$时相对$L^2$误差低于1.5%，优于LOINN。
• 当使用6个节点局部域时，FPI发散，但cLOINN在$\sigma = 0.50$时保持稳定，误差低于3.5%，展现出更优的鲁棒性。
• 对于非线性扩散-反应方程，即使在粗网格（21×21）上，该方法的$L^2$相对误差也维持在约10%，表明其具有强大的泛化能力。
• 随着噪声水平（$\sigma$）升高，误差增加，但所有方法均保持稳定且具备预测能力，其中cLOINN表现最为一致。
• 该方法在多个测试案例中有效泛化至新的源函数$f = 0.9\sin(2\pi x) + \Delta f$，证实其在存在扰动的实际场景中的适用性。
• 在非线性和高噪声环境下，LOINN和cLOINN相比FPI表现出更高的稳定性，验证了无网格神经网络耦合方法的优势。