这篇关于**自适应界面物理信息神经网络（AdaI-PINNs）**的学术论文。

---

📋 基本信息

项目	内容
标题	Adaptive Interface-PINNs (AdaI-PINNs): An Efficient Physics-informed Neural Networks Framework for Interface Problems
作者	Sumanta Roy, Chandrasekhar Annavarapu*, Pratanu Roy, Antareep Kumar Sarma
单位	IIT Madras（印度）, Lawrence Livermore National Lab（美国）, EPFL（瑞士）
发表	arXiv:2406.04626v2, 2024年6月
关键词	PINN, I-PINNs, AdaI-PINNs, 域分解, 界面问题, 机器学习

---

🎯 研究背景与核心问题

什么是界面问题？

界面问题是指具有不连续系数和/或界面跳跃条件的偏微分方程问题。典型场景包括：

• 复合材料（不同材料属性突变）
• 多孔介质流动（渗透率突变）
• 热传导（导热系数不连续）

传统方法的挑战

方法	问题
有限元法(FEM)	需要协调网格或侵入式修改数据结构来处理间断
传统PINNs	单一网络难以捕捉跨界面的弱/强间断
XPINNs/cPINNs	域分解但各子域使用不同网络，参数量剧增

I-PINNs的前置工作

Sarma等人(2024)提出的Interface PINNs (I-PINNs)：

• 采用域分解：界面两侧用不同网络
• 核心创新：各子域网络共享相同权重和偏置，仅激活函数不同
• 优势：参数量不增加，精度优于传统PINNs和XPINNs

但I-PINNs的痛点：需要人工预设每个子域的激活函数，子域增多时难以选择。

---

🔬 核心方法：AdaI-PINNs

核心思想

将"预设不同激活函数"改为"自适应学习激活函数的斜率"

数学 formulation

I-PINNs的原始形式（子域m，层s）：
$$f_s({\mathbf{x}}_{m,s},{\mathbf{\theta }}_s)={\sigma }_m({\mathbf{w}}_s^T{\mathbf{x}}_{m,s}+{\mathbf{b}}_s)$$

AdaI-PINNs的改进形式：
$$f_s({\mathbf{x}}_{m,s},{\mathbf{\theta }}_s,a_m)=\sigma \left(n\cdot a_m({\mathbf{w}}_s^T{\mathbf{x}}_{m,s}+{\mathbf{b}}_s)\right)$$

符号	含义
$\sigma (\cdot )$	全局统一的激活函数（如tanh、sigmoid）
$a_m$	子域m的自适应斜率参数（可训练）
$n$	缩放超参数（固定为10，加速收敛）
$\mathbf{\theta }$	共享的权重和偏置（所有子域相同）

架构特点

输入x → 域分解 → 子域网络1 (σ(n·a₁·z)) → 自动微分 → 物理损失
                    ↘ 子域网络2 (σ(n·a₂·z)) → 自动微分 ↗
                    
                    所有子域共享 θ = {W, b}
                    各自学习 a = [a₁, a₂, ..., a_M]

关键优势：

• ✅ 全自动：无需人工选择激活函数
• ✅ 参数量少：仅增加M个斜率参数（M=子域数）
• ✅ 物理一致性：损失函数结构与I-PINNs完全相同

---

📐 损失函数设计

对于含界面${\Gamma }_{int}$的椭圆问题，损失函数包含五项：

$$\zeta (\mathbf{\theta },\mathbf{a})={\text{MSE}}_{eq}+{\alpha }_{bc}^d{\text{MSE}}_{bc}^d+{\alpha }_{bc}^n{\text{MSE}}_{bc}^n+{\alpha }_{int}{\text{MSE}}_{ic}^d+{\alpha }_{int}{\text{MSE}}_{ic}^n$$

损失项	物理意义	约束内容
${\text{MSE}}_{eq}$	控制方程残差	$\nabla \cdot ({\kappa }_m\nabla u_m)=f_m$
${\text{MSE}}_{bc}^d$	Dirichlet边界	$u_m={\Lambda }_m^d$
${\text{MSE}}_{bc}^n$	Neumann边界	${\kappa }_m\nabla u_m\cdot {\mathbf{n}}_0={\Lambda }_m^n$
${\text{MSE}}_{ic}^d$	界面位移跳跃	$[u]=p$
${\text{MSE}}_{ic}^n$	界面通量跳跃	$[\kappa \nabla u]\cdot {\mathbf{n}}_2=q$

---

📊 数值实验与关键结果

实验设置

配置	详情
库	Python JAX
优化器	Adam，初始学习率 $5\times 10^{-3}$
参数初始化	Xavier初始化
AAF参数初始化	$a_m=0.5$
缩放因子	$n=10$（所有算例）

---

1D算例：五材料层合问题

问题描述：$\Omega =[0,1]$，4个界面在 $x=0.2,0.4,0.6,0.8$，5个子域，不连续系数 $\kappa =[1,0.25,0.9,0.1,0.8]$

方法	迭代次数	RMSE	相对计算成本
AdaI-PINNs (adaptive tanh)	60,000	$1.05\times 10^{-4}$	1 (基准)
I-PINNs (相同超参)	60,000	$5.07\times 10^{-2}$	0.78
I-PINNs (增至20万迭代)	200,000	$2.42\times 10^{-4}$	1.94

关键发现（图3-4）：

• AdaI-PINNs 60,000次迭代收敛，损失降至 $10^{-4}$
• I-PINNs 60,000次迭代陷入局部极小，损失仅 $10^{-1}$
• I-PINNs 需200,000次迭代才能达到相近精度，成本翻倍

AAF参数演化（图3b）：$a_m$ 在约10,000次迭代内快速收敛到稳定值。

不同激活函数的稳健性（表2）：

AAF	RMSE	成本	训练后 $a_m$ 示例
Tanh	$1.05\times 10^{-4}$	1	[0.124, 0.244, 0.172, 0.336, 0.119]
Sigmoid	$2.15\times 10^{-4}$	1.03	[0.279, 0.646, 0.389, 0.933, 0.264]
Swish	$2.97\times 10^{-4}$	1.41	[0.157, 0.247, 0.194, 0.287, 0.151]
GELU	$6.37\times 10^{-4}$	1.49	[0.142, 0.245, 0.172, 0.275, 0.136]
Mish	$2.76\times 10^{-4}$	1.42	[0.151, 0.238, 0.184, 0.304, 0.145]
Softmax	$7.05\times 10^{-4}$	1.68	[-0.291, -0.519, -0.349, -0.547, -0.280]

重要结论：AdaI-PINNs对激活函数选择不敏感，均达到 $O(10^{-4})$ 精度；而I-PINNs对预设激活函数高度敏感。

---

2D算例："IITM"字母夹杂问题

问题描述：矩形域 $[0,1.7]\times [0,1]$，背景矩阵 ${\Omega }_1$ 中含4个字母形夹杂（I, I, T, M），共5个子域。

解析解（各子域不同）：
$$u(\mathbf{x})=\{\begin{array}{ll}{x}^2+y^2& {\Omega }_1\\ 3x^2+2y& {\Omega }_2\\ 4x^2+y^2& {\Omega }_3\\ x^2+5y^2& {\Omega }_4\\ 0.5x^2+y^2& {\Omega }_5\end{array}$$

方法	迭代次数	RMSE	相对成本
AdaI-PINNs (adaptive tanh)	60,000	$3.48\times 10^{-6}$	1
I-PINNs (相同超参)	60,000	$1.93\times 10^{-3}$	0.49
I-PINNs (增至20万迭代)	200,000	$5.56\times 10^{-6}$	2.06

可视化结果（图5）：

• AdaI-PINNs解与解析解几乎完全重合
• 绝对误差图显示误差集中在界面附近，最大值约 $5\times 10^{-3}$
• 界面处（白色虚线）精度保持良好

收敛特性（图6a）：

• AdaI-PINNs在35,000次迭代即收敛（损失 $10^{-2}$）
• I-PINNs训练至200,000次迭代才达到相近水平，且出现多次"逃逸局部极小"的尖峰

---

3D算例：八球体夹杂问题

问题描述：立方域 $[-1,1{]}^3$，8个半径0.3的球体夹杂 + 背景矩阵 = 9个子域，材料常数 ${\kappa }_1=1/6,{\kappa }_2=1/8,...,{\kappa }_9=1/18$

方法	迭代次数	RMSE	相对成本
AdaI-PINNs (adaptive sigmoid)	20,000	$5.47\times 10^{-3}$	1
I-PINNs (相同超参)	20,000	$2.06\times 10^{-2}$	0.65
I-PINNs (增至25万迭代)	250,000	$1.37\times 10^{-2}$	5.93

关键发现：

• AdaI-PINNs 20,000次迭代达到 $10^{-3}$ 精度
• I-PINNs即使250,000次迭代（成本近6倍）仍仅达 $10^{-2}$ 精度
• 这是差距最显著的算例，凸显AdaI-PINNs在高维复杂界面问题上的优势

AAF参数演化（图8b）：9个 $a_m$ 在约6,000次迭代内收敛，背景矩阵($a_1$)与球体夹杂的参数明显分化。

3D中激活函数敏感性（表6）：

AAF	RMSE	成本
Sigmoid	$4.32\times 10^{-3}$	1
Tanh	$1.20\times 10^{-2}$	0.99
GELU	$6.35\times 10^{-3}$	1.45
Softmax	$5.87\times 10^{-3}$	1.55

3D问题中激活函数选择有一定影响，但Sigmoid和GELU仍保持较好效率。

---

💡 核心创新点总结

创新	I-PINNs	AdaI-PINNs
激活函数	人工预设不同AF	统一AF，自适应学习斜率
自动化程度	半自动（需先验知识）	全自动
子域扩展性	差（AF选择困难）	好（仅增加一个参数）
收敛速度	慢（易陷局部极小）	快（单调收敛）
计算成本	高（需更多迭代）	降低2-6倍
精度	相当（给定足够迭代）	相当或更优

---

📈 性能提升量化

维度	成本降低倍数	精度对比
1D	2倍	相同 $O(10^{-4})$
2D	2倍	相同 $O(10^{-6})$
3D	6倍	AdaI-PINNs更优 ($10^{-3}$ vs $10^{-2}$)

---

⚠️ 局限性与展望

当前局限

1. 超参数（如 $n=10$）仍通过试错法确定，非最优
2. 仅测试了稳态椭圆问题
3. 界面为固定几何形状

未来方向

• 瞬态问题：时间依赖界面演化
• 耦合场问题：热-力-流多物理场
• 移动界面问题：相变、自由边界
• 自动超参数调优：贝叶斯优化等

---

📌 核心结论

AdaI-PINNs通过将"预设激活函数"转化为"自适应学习激活函数斜率"，实现了界面问题PINN求解的全自动化。在保持I-PINNs低参数量的优势下，将计算成本降低2-6倍，同时达到相同或更高的精度。这一框架特别适合含多个界面的复杂问题，为复合材料、多孔介质、多相流等领域的物理信息学习提供了高效工具。

---