本研究工作由香港科技大学的Tong Zhu、Bingqian Si、Lin Fu（通讯作者）和Yanglong Lu（通讯作者）完成，于2026年1月16日在线发表在《Journal of Computational Physics》上（卷552，文章114696）。
学术背景
该研究致力于解决一个计算流体动力学（Computational Fluid Dynamics, CFD）与人工智能交叉领域的关键难题：如何利用稀疏的、在病态条件下（即初始/边界条件不完备）的数据，准确预测包含激波等间断面的可压缩流场。该问题在航空航天、能源工程等实际应用中广泛存在，因为完整的初始条件和边界条件往往难以通过实验或测量获得。
传统的CFD方法，特别是有限体积法（Finite-Volume Method, FVM），虽然在求解控制方程（如欧拉方程）方面非常成熟，但其求解范式要求问题是“适定”的，即必须提供完整的初始/边界条件。另一方面，近年来兴起的物理信息神经网络（Physics-Informed Neural Network, PINN）通过将控制方程的残差嵌入损失函数，减少了模型对海量训练数据的依赖，展现出了解决物理驱动反问题和数据同化问题的潜力。然而，经典PINN在捕捉可压缩流动中由双曲型偏微分方程控制的强间断（如激波）时表现不佳。这主要源于两个根本原因：自动微分（Automatic Differentiation, AD）在高梯度区域计算导数的不准确性，以及原始偏微分方程在激波区域微分形式本身的失效。
针对这些挑战，研究者们提出了各种改进方案，如自适应采样、嵌入Rankine-Hugoniot条件、引入人工粘性项等，一些工作也尝试将数值离散方法（如有限体积法）的思想融入PINN框架以改善守恒性和间断捕获能力。然而，许多现有方法仍严重依赖完整的初始场，或者其处理复杂高维流动的能力有限。本研究旨在开发一个全新的深度学习框架，能够在仅利用流场内部稀疏观测数据的条件下，实现对包含强激波的可压缩流动的高精度全场重构，甚至在训练时间窗口之外进行一定程度的预测。
详细研究流程
本研究主要包括以下几个核心步骤：模型框架设计、损失函数构建、关键超参数敏感性分析、以及在一系列一维和二维基准算例上的验证与对比。
1. 模型框架设计 研究者提出了稀疏有限体积信息U型网络（Sparse Finite-Volume informed U-Net, SFVNet）。该框架的核心是一个经过修改的U-Net神经网络架构。与经典PINN通常使用的全连接网络不同，U-Net作为一种卷积网络，在处理网格化数据时计算效率更高，且擅长捕捉局部特征。
2. 复合损失函数的精心构建 总损失函数包含多个自适应加权的子项： * 物理损失（pde）：基于有限体积离散格式构建，而非使用自动微分计算导数残差。该损失的核心是计算每个内部网格节点上的离散PDE残差。其创新点在于引入了基于梯度权重的抑制机制。具体地，为密度、速度和压力分别设计权重因子（如λ_ρ = 1/(k|∇ρ|+1)）。在梯度（间断）区域，权重趋近于0，从而弱化该处的物理残差贡献，让网络更多地依赖该处的稀疏数据来“锚定”间断左右状态；在平滑区域，权重趋近于1，物理残差正常作用。这种方法避免了因强行拟合微分方程在间断处产生的数值振荡。 * 数据损失（data）：包括初始条件损失、边界条件损失和内部采样点损失。当初始/边界条件未知时，相应的项可以去除。这使得模型能够仅依靠流场内部的稀疏测量点进行全场重构，处理病态问题。 * 人工粘性损失（av）：引入一个可学习的、随时间演化的动态人工粘性系数（初始值较大以促进训练初期收敛，随后减小以避免过度耗散）。对其施加L2正则化，约束其大小。 * 自适应加权：使用可训练的参数σ_i对不同量级的损失项进行自适应平衡，确保优化过程不会忽略任何一项约束。
3. 超参数敏感性分析与模型训练 在应用于基准算例前，研究团队首先在一维Sod激波管问题上进行了详尽的超参数敏感性分析，以确定模型的优化配置： * 网络深度（层数）：分析表明，并非越深越好。4层编码器-解码器结构性能优于2层和5层，5层结构因参数冗余导致过拟合和误差上升。 * 单元内预测点数量（N_points）：增加预测点数量可以提高数值积分的精度，从而降低整体误差，但会增加计算成本。研究权衡后选择每个界面4个点（单元内16个点）。 * 采样率（α）：分析了随机采样和均匀采样策略下，不同采样比例对预测精度的影响。结果表明，即使采样率低至0.3%-5%，模型仍能实现高精度重构。随机采样在低采样率下略优，均匀采样在高采样率下更稳定。 * 梯度权重系数（k）：该参数控制物理损失在间断区域被抑制的程度。研究发现存在一个最优值（如Sod问题中k=0.2），能在“依赖物理规律”和“依赖观测数据”之间取得最佳平衡。
训练过程使用PyTorch框架，通过反向传播算法最小化总损失函数，直至达到预设的训练轮次。
4. 基准算例验证与对比 研究在多个经典算例上验证了SFVNet的性能，并与多种方法进行了对比： * 一维验证（Sod和Lax激波管）： * 对比对象：经典PINN、控制体积PINN（CVPINN）、梯度湮灭PINN（GA-PINN），以及传统数值方法（一阶、二阶minmod、高阶TENO5格式）。 * 结果与逻辑：SFVNet在激波捕获的锐利度和位置准确性上显著优于所有PINN变体。与数值方法相比，SFVNet的精度超越了低阶格式，并与高阶TENO5格式相当甚至更优（如在Sod问题的压力预测上误差更低）。这初步证明了所提物理损失函数和梯度权重机制的有效性。定量数据显示，SFVNet在所有变量上的相对L2误差均是最低的。 * 二维验证（三种黎曼配置）： * 验证能力一：全场重构：仅使用5%的内部随机采样点和完整的边界条件，SFVNet成功重构了包含复杂旋涡结构、剪切层和激波的二维流场，误差主要集中于流动不稳定区域。 * 验证能力二：时间外推：将训练好的模型用于预测超出训练时间窗口的流动。结果显示，虽然预测误差随时间外推而增长，但模型仍能定性地预测出激波运动、膨胀波等基本流动结构的演化趋势，这是经典PINN难以实现的。 * 验证能力三：无初始/边界条件重构：在完全未知初始和边界条件的情况下，仅依靠内部稀疏采样点，SFVNet仍能以可接受的精度重构全场。这直接证明了其处理“病态”问题的核心优势。 * 高难度验证（马赫数10的双马赫反射）： * 这是物理信息深度学习模型首次成功应用于如此高马赫数的复杂二维激波相互作用问题。 * 模型成功预测了双马赫杆、滑移线、射流和反射激波等主要结构。 * 为进一步节省计算资源，研究者提出了“感兴趣区域”预测策略：仅在关心的子区域内部署稀疏采样点进行训练和预测。实验证明，即使在更高分辨率（200×200）的子区域上，该方法也能清晰捕捉到更锐利的激波和涡结构。
主要结果
本研究通过系统的数值实验，获得了以下关键结果： 1. SFVNet框架的有效性：成功开发并验证了一个基于U-Net和有限体积法的物理信息深度学习框架，该框架能够有效融合稀疏数据和物理规律。 2. 卓越的间断捕获能力：通过引入基于有限体积离散的物理损失和梯度权重机制，SFVNet在多个一维和二维激波主导的流动问题中，展现出比现有先进PINN变体更锐利、更准确的激波和间断捕获能力。定量误差分析（相对L2误差）证实了其全局精度优势。 3. 处理病态问题的灵活性：模型的核心优势在于其对数据要求的灵活性。在拥有完整边界条件时，它可以作为高性能的代理模型；在初始/边界条件部分或完全缺失时，它能够仅利用内部稀疏观测点实现流场重构，为实际工程中测量数据受限的场景提供了解决方案。 4. 初步的外推能力：训练后的模型能够在无需重新训练的情况下，对训练时间窗外的流动进行具有一定物理合理性的预测，拓展了模型的应用范围。 5. 区域化预测的可行性：“感兴趣区域”预测策略在高难度的双马赫反射问题中得到验证，表明该方法可以针对关键区域进行高分辨率重建，从而大幅降低计算成本。
这些结果逻辑连贯：首先通过一维问题验证了核心算法（损失函数）在间断捕获上的根本性改进；进而通过二维问题展示了模型在多维、复杂流动中的重构、外推和处理不完备数据的能力；最后通过极具挑战性的高马赫数算例，证明了该框架的鲁棒性和应用潜力。每一步的结果都为下一阶段验证更复杂的能力提供了支撑。
结论与价值
本研究提出并验证了SFVNet，一个创新的、基于有限体积法和U-Net的物理信息深度学习框架，用于可压缩流场的稀疏数据预测。其主要价值在于： * 科学价值：提出了一种将数值方法（FVM）的离散守恒性与深度学习的数据驱动能力深度融合的新范式。梯度权重机制为解决PINN在间断处失效的问题提供了新思路。模型对初始/边界条件的弱依赖性，为求解反问题和病定问题开辟了新途径。 * 应用价值：该框架在流场重构、数据压缩与修复、以及实验数据稀缺情况下的流动分析等方面具有直接应用前景。其“感兴趣区域”预测能力使得它可以针对特定关键区域进行高效、高分辨率的模拟，在工程设计和故障诊断中潜力巨大。
研究亮点
其他有价值内容
作者在附录中提供了详细的超参数设置，包括通过敏感性分析确定的通用参数和针对不同算例的特定参数，这为其他研究者复现和应用该方法提供了便利。此外，研究明确指出了当前框架的局限性，如三维扩展的计算挑战、对训练数据质量的依赖等，并为未来工作指明了方向，包括开发更高效的训练算法、探索迁移学习和多保真度学习以提升泛化能力等。