自然 · 计算：求解偏微分方程新革命

导语

偏微分方程（PDEs）是对自然物理定律最普适且简洁的数学描述，能以紧凑的符号化形式捕捉丰富的多尺度物理现象。本文探讨机器学习推动的PDE研究新范式，包括：（1）发现新PDE方程与粗粒度近似——从复杂自然与工程系统中挖掘隐含的控制方程；（2）学习有效坐标系与降阶模型——通过坐标变换与维度压缩提升PDE可分析性；（3）求解算子表示与传统算法改进——用神经网络表示解算子并优化数值方法。针对每个方向，我们总结了关键进展、现存挑战与未来机遇。

关键词：偏微分方程（PDEs）、机器学习、方程发现、降阶模型、算子学习、数值加速、物理约束

计算模拟大讲堂丨来源

论文题目：Promising directions of machine learning for partial differential equations 论文来源：https://www.nature.com/articles/s43588-024-00643-2

简介

偏微分方程（PDEs）是描述自然规律与工程系统的核心数学工具，从流体力学的纳维 - 斯托克斯方程到量子力学的薛定谔方程，从气候模拟的热传导方程到生物领域的反应扩散方程，PDEs 支撑着多学科的基础研究与工程应用。然而，传统 PDEs 研究长期面临两大瓶颈：一是强非线性、多尺度 PDEs 难以推导解析解，二是有限元、有限差分等数值方法计算成本极高，面对高维或复杂边界问题时常常 “算力告急”。

由美国华盛顿大学 Steven L. Brunton 与 J. Nathan Kutz 团队发表于Nature Computational Science（2024 年 7 月，Volume 4，DOI: 10.1038/s43588-024-00643-2）的综述论文《Promising directions of machine learning for partial differential equations》，系统性梳理了机器学习（ML）为 PDEs 研究带来的突破。论文核心观点明确：机器学习并非替代传统 PDEs 方法，而是通过 “数据驱动 + 物理约束” 的深度融合，从 “发现新 PDEs 与粗粒化闭合模型”“学习有效坐标与降阶模型”“优化数值解法与解算子学习” 三大方向，解决传统方法难以攻克的复杂难题。

研究基于流体、等离子体、神经科学等跨领域数据验证：ML 驱动的 PDEs 方法可将计算效率提升 1-2 个数量级（如湍流模拟速度加快 86 倍），同时在小数据、高噪声场景下保持高精度，为 PDEs 研究开辟 “物理机理 + 数据智能” 双驱动的新范式。

图 1：机器学习推进 PDEs 研究的三大核心方向总览

该图以 “目标 - 方法 - 场景” 三维框架，清晰划分 ML 在 PDEs 领域的三大应用方向，是整篇论文的核心框架图：

（a）方程发现（Automated equation discovery）：通过符号回归技术，从神经科学时空数据（如脑电信号的 u (t,x)）中学习可解释的 PDEs 与粗粒化描述，解决传统手动推导无法覆盖的复杂系统（如神经元群体动力学）；

（b）坐标学习（Uncovering coordinates）：利用自编码器网络，从圆柱绕流等高维流场仿真 / 实验数据中学习 “有效坐标”，将高维数据压缩至低维 latent 空间，该空间内动力学演化更简洁（如流场核心运动规律）；

（c）加速计算（Accelerating computations）：通过算子学习实现粗网格数据到高分辨率流场的超分辨预测（上图流体流场对比），同时融合不同保真度模型（低成本低精度与高成本高精度），构建 “低成本 + 高精度” 的混合模型（下图成本 - 精度曲线）。

解读：该图直观印证了论文 “ML 针对性解决 PDEs 三大痛点” 的核心逻辑 —— 针对 “未知系统无方程”“高维数据难分析”“数值计算效率低”，分别提供数据驱动发现、低维表征、高效计算的解决方案，为后续细分方向奠定理论框架。

图 2：稀疏回归从数据中发现纳维 - 斯托克斯方程。以 2D 圆柱绕流为案例，完整展示 “从数据到 PDEs” 的发现流程，是 “方程发现” 方向的关键验证：

（a）数据采集：获取流场的 x/y 方向速度场（u、v）与涡量（ω，由速度场旋度计算）的快照数据；

（b）候选项构建：计算数值偏导数（如 ωₓ、ωᵧ、ωₓₓ），将状态变量、偏导数及非线性组合（如 uωₓ、vωᵧ）整合为候选项矩阵 Θ；

（c）稀疏回归：通过带 L0 正则的稀疏回归（目标函数为最小化预测误差与系数稀疏性），筛选出非零系数 ξ，剔除冗余候选项；

（d）PDEs 合成：最终得到涡量输运方程 ωₜ + 0.9931uωₓ + 0.9910vωᵧ = 0.0099ωₓₓ + 0.0099ωᵧᵧ，其中雷诺数（Re）识别误差仅 1%，与理论纳维 - 斯托克斯方程高度一致。

解读：证明 “数据驱动发现 PDEs” 的可行性 —— 无需依赖第一性原理假设，仅通过数据与稀疏回归即可还原经典 PDEs，且保留物理可解释性（如对流项、扩散项的系数符合理论预期）。这为神经科学、流行病学等 “缺乏成熟理论模型” 的领域提供了新研究工具。

图 3：稀疏贝叶斯方法构建海洋模型的 LES 闭合项

聚焦 “粗粒化闭合模型” 方向，以大尺度海洋中尺度模拟为场景，展示 ML 解决多尺度 PDEs 难题的能力：

（a）输入数据：高分辨率海洋流场模拟的速度场（u、v），从中诊断亚网格涡动量强迫项 S（传统大涡模拟 LES 难以直接计算的核心量）；

（b）候选函数库：基于流体力学机理，构建含散度（σ=∇・u）、涡量（ζ=∇×u）、剪切形变（D=∂u/∂y+∂v/∂x）等物理意义明确的候选函数库；

（c）稀疏贝叶斯学习：采用相关向量机（RVM）进行迭代稀疏回归，逐步剔除冗余函数，最终得到 S 的解析表达式（基于 resolved 变量的线性组合）；

（d）性能验证：学习得到的闭合模型预测值（Ŝₓ）与真实值（Sₓ）的均值、标准差高度吻合，且精度优于深度学习黑箱模型。

解读：解决 PDEs “多尺度耦合” 的传统痛点 —— 大尺度系统（如海洋、气候）的 PDEs 需考虑亚网格过程（如小尺度涡旋），传统方法需手动设计闭合项，而 ML 可自动从数据中学习物理可解释的闭合模型，且适配性更强（如不同海域的流场特征）。

图 4：神经网络学习 Koopman 线性化坐标变换。以非线性伯格斯方程（Burgers’ equation）为对象，展示 “坐标学习” 方向的核心技术 —— 通过 ML 实现非线性 PDEs 的线性化：

（a）网络架构：包含编码器 φₑ、线性动力学算子 K、解码器 φ_d 三部分；输入为原始状态 u（服从非线性伯格斯方程），编码器将 u 映射至低维 latent 空间变量 v；

（b）线性化过程：在 v 空间中，动力学演化呈线性（vₖ₊₁=Kvₖ，K 为线性算子），规避了原始空间的非线性复杂度；解码器再将 v 映射回 u 空间，得到下一时刻的状态 uₖ₊₁；

（c）物理意义：该网络自动学习到 Cole–Hopf 变换，成功将非线性伯格斯方程转化为线性热方程，实现 “非线性问题线性化求解” 的突破。

解读：突破 “非线性 PDEs 难分析” 的传统瓶颈 ——Koopman 理论虽能将非线性系统线性化，但传统方法难以找到坐标变换；ML 通过神经网络自动学习变换关系，使复杂系统可通过成熟的线性工具（如谱分析）分析，大幅降低计算与理论推导成本。

图 5：机器学习插值加速高分辨率流场计算。聚焦 “加速计算” 方向，以 2D 柯尔莫哥洛夫流为案例，验证 ML 提升 PDEs 数值计算效率的能力：

（a）效率 - 精度对比：左侧图展示不同网格分辨率下的计算时间与精度（相关性 > 0.95 的时间），ML 插值方法（橙色虚线）比直接高分辨率模拟（蓝色实线）快 86 倍，且精度损失极小；

（b）泛化性测试：右侧上图对比训练数据（强迫湍流）与验证数据（更大域、衰减湍流、更高湍流强度）的流场，ML 模型在未见过的场景中仍保持高精度；

（c）模型架构：右侧下图为 CNN-based 架构，输入为当前时刻速度场 v (t)、外强迫 F (t)、对流通量 φᵢⱼ，通过卷积层与插值模块，输出下一时刻高分辨率速度场 v (t+Δt)，实现端到端的粗→高分辨率映射。

解读：印证 “ML 颠覆性提升计算效率” 的核心结论 —— 传统高分辨率流场模拟需依赖超算（如 8192×8192 网格），而 ML 通过数据驱动的插值策略，在普通计算设备上即可实现高精度结果，为工程设计（如飞行器气动模拟、气候快速预测）降本提效。

线性代数：一名合格科研人的筑基课

在科研世界中，无论你研究的是人工智能、生物信息、网络科学，还是物理与工程，几乎所有复杂系统的建模与推理都指向同一种底层语言——线性代数。它不仅是计算公式的集合，更是一名科研人理解“结构”、刻画“变换”、判断“稳定性”、提取“信息”的基本思维框架。本课程以系统科学的视角重新解构线性代数，带你越过技巧、直达本质，在跨学科的真实问题中建立起科研必备的数学基石。

集智学园联合清华大学数学博士诸葛昌靖老师开设，课程将于12月20日开启，现在加入可享早鸟价格。

详情请见：

1.

2.

3.

4.

5.

6.