Kenneth Cheng數學建模

研究筆記

神經算子反問題：多保真學習、PDE 約束與不確定性

以神經算子近似參數化 PDE 的解映射，再結合物理殘差與貝葉斯觀點處理反演及不可辨識性。

2025年10月31日 · 約 2 分鐘閱讀

封存文章

本文描述研究原型。合成 PDE 數據上的低誤差不等於可用於真實工程反演；原圖表未提供跨網格、跨分佈及觀測噪聲下的完整外部驗證。

正問題由參數場 a(x)a(x) 求 PDE 解 u(x)u(x)：

Lau=f,Bu=g.\mathcal L_{a}u=f,\qquad \mathcal B u=g.

反問題則由稀疏、含噪觀測

y=Hu+εy=\mathcal H u+\varepsilon

推回 aa。這通常病態：不同參數可以產生近似相同觀測，微小噪聲亦可能造成巨大反演差異。

神經算子

神經算子學習函數到函數的映射

Gθ:a(⋅)↦u(⋅),\mathcal G_\theta:a(\cdot)\mapsto u(\cdot),

例如 Fourier Neural Operator 在頻域更新特徵：

vk+1(x)=σ ⁣(Wvk(x)+F−1(Rk⋅Fvk)(x)).v_{k+1}(x) =\sigma\!\left( Wv_k(x)+ \mathcal F^{-1}(R_k\cdot\mathcal Fv_k)(x) \right).

它可比每次重解 PDE 快，但只在訓練分佈、邊界條件和解析度範圍內有證據。

反演

訓練好代理正模型後，可解

a^=arg⁡min⁡a∥HGθ(a)−y∥Σ−12+λR(a).\hat a =\arg\min_a \|\mathcal H\mathcal G_\theta(a)-y\|_{\Sigma^{-1}}^2 +\lambda\mathcal R(a).

R\mathcal R 表示平滑、稀疏或先驗限制。代理模型誤差必須納入觀測誤差；否則優化器會利用神經網絡的漏洞，找到不物理但能配合觀測的參數。

多保真資料

令低保真粗網格解為 uLu_L，少量高保真解為 uHu_H。可學習

uH=ρuL+δθ(a,uL),u_H=\rho u_L+\delta_\theta(a,u_L),

或在損失中分別加權。資料數量多不代表資訊量大：高、低保真樣本的覆蓋範圍和偏差結構更重要。

物理約束

除資料誤差外，加入離散 PDE 殘差與邊界條件：

J=Jdata+λr∥Lau^−f∥2+λb∥Bu^−g∥2.\mathcal J =\mathcal J_{\mathrm{data}} +\lambda_r\|\mathcal L_a\hat u-f\|^2 +\lambda_b\|\mathcal B\hat u-g\|^2.

殘差的離散方式要與求解器一致，並做網格收斂；一個小殘差不保證在錯誤算子或邊界下仍正確。

不確定性

反演應輸出後驗而非單點：

p(a∣y)∝p(y∣a) p(a).p(a\mid y)\propto p(y\mid a)\,p(a).

可用 MCMC、變分推斷或集合方法，並以 coverage、校準曲線及後驗預測檢查不確定區間。不可辨識方向應明確顯示。

驗證清單

  • 與傳統 PDE-constrained optimization 比較；
  • 留出參數範圍、邊界條件與網格；
  • 加入不同噪聲和感測器密度；
  • 報告正向誤差、反演誤差、守恆殘差與運算時間；
  • 對抗性檢查不物理解；
  • 使用真實或至少獨立求解器資料作最後測試。

參考資料

  1. Li et al., “Fourier Neural Operator for Parametric Partial Differential Equations,” ICLR 2021.
  2. Kovachki et al., “Neural Operator: Learning Maps Between Function Spaces,” JMLR, 2023.
  3. Stuart, “Inverse Problems: A Bayesian Perspective,” Acta Numerica, 2010.
  4. Kaipio and Somersalo, Statistical and Computational Inverse Problems.