跳到主要内容
返回时间线
arXiv来源发表:

不可压缩流PINN换掉tanh激活:BS-PINN在21组基准与架构对照中速度误差平均降三成

核心概要

不可压缩流的物理信息神经网络长期沿用通用的tanh激活,网络只能靠优化自行学出流场的空间结构。BS-PINN从正则化Biot–Savart核中取出一个奇对称有理剖面作为隐藏层激活,保留原有的速度—压力输出和方程残差训练,只替换非线性函数,并给出固定核尺度与可学习核尺度两个版本。在Kovasznay流、圆柱尾迹、三维Beltrami流、Taylor–Green涡和双剪切层共21组基准与网络架构对照中,两个版本的速度组合误差都低于tanh基线,平均相对降幅分别为31.7%和33.2%。

Source-provided article image: Stochastic Representation-Inspired Physics-Informed Neural Networks for Incompressible Fluid Flows
arXiv

深度剖析

不可压缩流的物理信息神经网络可以把流场解析结构直接写进隐藏层激活,而不只是靠损失函数和采样策略去改善训练。 此前的PINN默认使用tanh这类通用激活,网络需要完全通过优化去学出解的空间特征;已有的激活改造包括自适应激活、傅里叶特征、周期激活和可训练正弦激活。 在五个基准、三种网络架构共21组对照中,固定尺度与可学习尺度两个版本的速度组合误差全部低于tanh基线,平均相对降幅分别为31.7%和33.2%。

做法是把Biot–Savart核的一个标量剖面变成隐藏层的非线性函数,网络其余部分不动。 Biot–Savart核把涡量映射为速度,其空间形式由方程本身确定,而不是人为挑选的基函数;这里取二维核正则化后的一维切片,归一化并加一个小稳定项,得到光滑、奇对称、有代数尾的有理激活。 两个版本都保留常规的速度—压力输出和Navier–Stokes残差训练目标,同一基准与架构下采样点、损失权重和优化日程完全一致,因此差异只来自激活函数,可学习版本额外优化核尺度。

误差下降不只出现在光滑解析解上,也出现在含局部剪切和涡结构的流动中。 多尺度、强速度梯度和演化涡结构一直是PINN准确逼近的难点,此前这类流动的误差明显高于光滑定常解。 Taylor–Green涡中可学习版本把平均速度组合误差降低69.1%、压力误差降低68.7%;双剪切层在陡度参数与网络架构下速度误差降幅最高达70.1%,涡量误差同步下降。

启示与展望

结论建立在五个不可压缩流基准上,覆盖定常与非定常、二维与三维、周期边界与局部剪切结构,全部在无外力、全空间或周期设定下训练与评估;长时双剪切层的涡卷起对比只有定性图像,没有对应的DNS误差估计。

可学习核尺度并不稳定优于固定尺度:在Beltrami流三种网络规模下固定版本平均速度误差最低,在部分Taylor–Green与压力指标上也是如此。激活本身不保证不可压性或边界条件,这些仍由方程、散度和边界损失施加;作者也指出该激活不是随机积分公式或Biot–Savart积分的直接实现,其逼近性质、参数敏感性与长时精度尚待定量刻画。