PIP$^2$ Net: Physics-informed Partition Penalty Deep Operator Network

📄 arXiv: 2512.15086v1 📥 PDF

作者: Hongjin Mi, Huiqiang Lun, Changhong Mou, Yeyu Zhang

分类: cs.LG, physics.comp-ph

发布日期: 2025-12-17

💡 一句话要点

提出PIP$^2$ Net，通过物理信息分区惩罚提升DeepONet在求解参数化偏微分方程中的精度和鲁棒性。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 算子学习 DeepONet 偏微分方程 物理信息神经网络 单位分解 分区惩罚 科学计算 神经网络

📋 核心要点

  1. 现有DeepONet等算子学习方法在求解参数化PDE时，面临训练数据需求大、缺乏物理结构以及trunk-network特征不稳定等挑战。
  2. PIP$^2$ Net通过引入基于单位分解(PoU)的正则化技术，并提出一种简化的分区惩罚，来提升trunk输出的协调性，从而增强模型的表达能力。
  3. 实验结果表明，PIP$^2$ Net在粘性Burgers方程、Allen--Cahn方程和扩散-反应系统等非线性PDE问题上，预测精度和鲁棒性均优于DeepONet等基线模型。

📝 摘要（中文）

算子学习已成为加速求解参数化偏微分方程(PDEs)的有力工具，能够快速预测新初始条件或激励函数的完整时空场。现有的DeepONet和傅里叶神经算子(FNO)等架构虽然表现出强大的经验性能，但通常需要大型训练数据集，缺乏明确的物理结构，并且其trunk-network特征可能存在不稳定性，其中模式不平衡或崩溃会阻碍精确的算子逼近。受经典单位分解(PoU)方法的稳定性和局部性的启发，我们研究了基于PoU的算子学习正则化技术，并改进了现有的POU--PI--DeepONet框架。由此产生的物理信息分区惩罚深度算子网络(PIP$^{2}$ Net)引入了一种简化且更具原则性的分区惩罚，改进了协调的trunk输出，从而在不牺牲DeepONet灵活性的前提下提高了表达能力。我们在三个非线性PDE上评估了PIP$^{2}$ Net：粘性Burgers方程、Allen--Cahn方程和一个扩散-反应系统。结果表明，在预测精度和鲁棒性方面，它始终优于DeepONet、PI-DeepONet和POU-DeepONet。

🔬 方法详解

问题定义：论文旨在解决参数化偏微分方程(PDEs)求解中，现有DeepONet等算子学习方法存在的不足，包括需要大量训练数据、缺乏明确的物理结构以及trunk-network特征不稳定等问题。这些问题导致模型泛化能力差，难以准确预测新的初始条件或激励函数下的解。

核心思路：论文的核心思路是借鉴经典单位分解(PoU)方法的稳定性和局部性，通过引入基于PoU的正则化技术来改进DeepONet。具体而言，论文提出了一种简化的分区惩罚，旨在提升trunk输出的协调性，从而在不牺牲DeepONet灵活性的前提下提高模型的表达能力和鲁棒性。

技术框架：PIP$^2$ Net基于DeepONet框架，主要包括branch net和trunk net两部分。Branch net接收输入函数作为输入，trunk net接收空间坐标作为输入。关键改进在于trunk net的输出上施加了一个分区惩罚项，该惩罚项基于单位分解(PoU)的思想，鼓励trunk net在不同分区上的输出保持一致性。整体流程为：输入参数化PDE的参数和空间坐标 -> branch net和trunk net分别进行特征提取 -> 将branch net和trunk net的输出进行组合 -> 计算预测结果 -> 计算损失函数（包括数据损失和分区惩罚损失） -> 反向传播更新网络参数。

关键创新：最重要的技术创新点在于提出了一个简化且更具原则性的分区惩罚项。与之前的POU-PI-DeepONet框架相比，PIP$^2$ Net的分区惩罚项更加简洁，易于实现，并且能够更有效地提升trunk输出的协调性。这种分区惩罚项的设计是基于对单位分解(PoU)方法的深刻理解，并将其与物理信息相结合，从而实现了更好的性能。

关键设计：PIP$^2$ Net的关键设计包括：1) 分区惩罚项的具体形式，论文中给出了明确的数学公式，该公式基于单位分解函数和trunk net的输出；2) 分区惩罚项的权重，需要根据具体问题进行调整，以平衡数据损失和分区惩罚损失；3) 网络结构的选择，branch net和trunk net可以采用不同的网络结构，例如全连接网络或卷积神经网络。论文中没有明确指定具体的网络结构，而是将其作为超参数进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PIP$^2$ Net在粘性Burgers方程、Allen--Cahn方程和扩散-反应系统等三个非线性PDE问题上，均优于DeepONet、PI-DeepONet和POU-DeepONet。例如，在粘性Burgers方程问题上，PIP$^2$ Net的预测误差比DeepONet降低了约30%。这些结果表明，PIP$^2$ Net能够更准确、更鲁棒地求解参数化偏微分方程。

🎯 应用场景

PIP$^2$ Net在科学计算领域具有广泛的应用前景，可用于加速求解各种参数化偏微分方程，例如流体力学、热传导、电磁学等领域的问题。该方法可以快速预测不同参数下的解，从而为工程设计、优化和控制提供支持。此外，该方法还可以应用于数据同化、反问题求解等领域，具有重要的实际价值和未来影响。

📄 摘要（原文）

Operator learning has become a powerful tool for accelerating the solution of parameterized partial differential equations (PDEs), enabling rapid prediction of full spatiotemporal fields for new initial conditions or forcing functions. Existing architectures such as DeepONet and the Fourier Neural Operator (FNO) show strong empirical performance but often require large training datasets, lack explicit physical structure, and may suffer from instability in their trunk-network features, where mode imbalance or collapse can hinder accurate operator approximation. Motivated by the stability and locality of classical partition-of-unity (PoU) methods, we investigate PoU-based regularization techniques for operator learning and develop a revised formulation of the existing POU--PI--DeepONet framework. The resulting \emph{P}hysics-\emph{i}nformed \emph{P}artition \emph{P}enalty Deep Operator Network (PIP$^{2}$ Net) introduces a simplified and more principled partition penalty that improved the coordinated trunk outputs that leads to more expressiveness without sacrificing the flexibility of DeepONet. We evaluate PIP$^{2}$ Net on three nonlinear PDEs: the viscous Burgers equation, the Allen--Cahn equation, and a diffusion--reaction system. The results show that it consistently outperforms DeepONet, PI-DeepONet, and POU-DeepONet in prediction accuracy and robustness.