物理学中的 AI — PINN、算子与仿真
本模块综述用于物理仿真的机器学习前沿：这些方法要么求解物理系统的控制微分方程，要么用 学习到的代理模型替换昂贵的数值求解器。全篇的视角是 AI/ML 方法本身，而非底层的物理推导。 更宏观的脉络见 ai-for-science；分子科学的姊妹模块见 aifs-chemistry。
该领域分为两个互补的家族——把控制方程嵌入训练损失的物理信息网络，以及学习跨整族问题 可复用映射的神经算子——再加上一组快速演进的旗舰大模型（天气、气候、等离子体、湍流）。 后者在 2024 至 2026 年间已从研究演示走向实际业务化部署。
1. 物理信息神经网络（PINN）
PINN 把偏微分方程（PDE）的解直接表示为神经网络 u(x, t; θ)，再训练该网络使 PDE 残差、
边界条件与初始条件全部趋于零。PDE 本身进入损失函数：空间与时间导数通过对网络做自动微分得到，
代入控制方程，并在数据拟合项与边界项之外最小化残差平方 [1]。
其决定性特征是 PINN 可以在零标注数据下训练——监督信号由物理定律提供。这使 PINN 对反问题、 数据稀疏场景、以及虽无高保真求解器但已知控制定律的情形格外有吸引力 [1]。2025–2026 年的综述把 PINN 描述为在物理一致性与数据效率之间取得平衡，同时指出其在训练收敛、多尺度/高频行为以及 泛化方面的长期短板 [2]。
PINN 求解的是单个实例。一旦改变边界条件、外力或某个系数，网络通常都需重新训练。活跃的研究 方向包括域分解、自适应配点采样、频率增强（傅里叶特征）表示，以及用于稳定训练的课程式/混合微分 方案 [2]。
2. 神经算子
神经算子采取相反立场：它们不拟合单个解，而是学习 PDE 整族的解算子——即无穷维函数空间之间的 映射（例如从初始条件或系数场到解场的映射）。一经训练，推理只需一次前向传播，把成本在众多实例上 摊销，并给出与网格无关、往往可跨分辨率迁移的预测 [3]。
- 傅里叶神经算子（FNO）——由 Li 等人提出（ICLR 2021），将积分核参数化为傅里叶域中的乘法， 从而获得全局感受野与在具有谱内容的规则域上的高效率。它具备零样本超分辨能力：在一种网格上训练， 在另一种网格上评估 [3]。
- AFNO（自适应傅里叶神经算子）——把 FNO 风格的谱混合重构为 Vision Transformer 主干内部的 高效token 混合器，用傅里叶域中的全局卷积取代二次复杂度的自注意力。AFNO 是 FourCastNet 背后的 空间混合引擎 [11]。
- DeepONet——一种 branch/trunk 架构，分别编码输入函数（branch）与查询位置（trunk）来学习算子。 它适合不规则几何和稀疏采样的输入函数，与 FNO 在规则谱域上的优势互补 [1]。
PINN 与算子是互补的，而非竞争关系。 PINN 用方程作监督为单一配置给出高精度解；算子则跨众多 配置给出快速的近似解，但通常需要仿真或观测数据来训练。诸如**物理信息神经算子（PINO）**之类的 混合方法在算子训练中加入 PDE 残差损失，既降低数据需求，又保留算子摊销式的快速推理 [1][3]。
3. 软件栈 — NVIDIA PhysicsNeMo
NVIDIA PhysicsNeMo（开源的 Modulus 继任者）是最具代表性的端到端物理-ML 框架。它横跨从纯 物理驱动的 PINN 到数据驱动算子与生成模型的全谱系，并内置精选架构，包括傅里叶特征网络、FNO、 DeepONet、PINO、图神经网络、点云模型与扩散模型 [3][4]。NVIDIA 还记录了如 DoMINO（一种 可分解的多尺度神经算子）等算子变体，目标是跨工程领域的泛化 [3]。该平台面向研究与工业仿真加速 （CFD、结构、电磁），并已开源发布 [4]。
4. 天气与气候大模型
数值天气预报（NWP）在超级计算机上对大气方程做积分。数据驱动模型则从数十年的 ERA5 再分析数据 （ECMWF 的档案）学习下一状态映射，并在数秒到数分钟内完成推理，比完整 NWP 快几个数量级 [5][6]。
- graphcast（Google DeepMind）——一个图神经网络模型，给出 0.25° 分辨率的确定性中期全球 预报，据报道在许多指标上匹配或超越当前最先进的 NWP，同时运行快得多 [6]。
- Pangu-Weather（华为）——一个跨多个气压层的三维 Vision Transformer 模型，据报道在若干中期指标 （包括热带气旋路径）上与 ECMWF 的确定性 IFS 相当 [5]。
- FourCastNet（NVIDIA）——一个 0.25° 分辨率的 AFNO/ViT 模型，作为早期范例证明了算子式架构能以 适中显存扩展到全球高分辨率预报 [11]。
- GenCast（Google DeepMind）——一个基于扩散的集合模型，生成 0.25° 分辨率的 15 天全球集合 预报；Nature 论文报道其在绝大多数评估目标上超越 ECMWF 的 ENS，包括极端事件与热带气旋 [5]。
- Aurora（微软）——一个面向地球系统的基础模型，在多样地球物理数据上训练，并微调到天气之外的 任务（空气质量、海浪、气旋）；2025 年发表于 Nature，采用预训练–微调范式 [9]。
- ECMWF AIFS——ECMWF 自有的人工智能预报系统于 2025 年 2 月 25 日进入业务运行，与基于物理的 IFS 并行运行；其集合变体（AIFS-ENS，采用基于 CRPS 的损失训练）于 2025 年稍晚进入业务运行 [7]。
2025–2026 年的走向是迈向业务化的 AI 预报与混合系统——将学习组件与基于物理的积分相结合， 而非全面替换 NWP [7]。
5. 其他物理领域
- 聚变 / 等离子体控制——DeepMind 与 EPFL 瑞士等离子体中心用深度强化学习控制 TCV 托卡马克的 磁场线圈执行器，自主稳定一系列等离子体位形（拉长形、负三角形、"雪花"位形，以及同时维持的 "液滴"）；2022 年发表于 Nature，是强化学习应用于真实高频控制系统的里程碑 [8]。
- 湍流 / CFD 代理模型——学习到的亚网格闭合模型与全场代理模型可替换或加速昂贵求解器。 可微物理把 ML 闭合模型嵌入可微求解器内部，使模型针对已解析动力学做端到端训练，兼具求解器的 泛化能力与学习的灵活性 [10]。
- 格点 QCD——ML 通过归一化流（改进采样）、围道形变（符号问题）、控制变量（信噪比）以及代理 可观测量加速蒙特卡洛格点仿真 [10]。
- 宇宙学仿真器——代理模型在参数空间上替代昂贵的 N 体 / 流体动力学仿真，实现快速推断；属于 ai-for-science 中更广泛的仿真器与代理模型趋势的一部分。
- 可微仿真——让仿真器本身可微，使梯度能流经物理动力学，用于控制、设计与反问题，统一了上述 若干线索 [10]。
6. 方法对照表
| 方法 | 学习的内容 | 数据需求 | 示例 |
|---|---|---|---|
| PINN | 单实例 PDE 解 u(x,t) |
可零标注数据（物理损失） | 正/反 PDE 求解 [1] |
| FNO | 解算子（谱核） | 仿真/观测数据 | Darcy 流、天气 [3][11] |
| AFNO | 作为 ViT token 混合器的算子 | 数据 | FourCastNet 天气 [11] |
| DeepONet | branch/trunk 算子 | 数据；可处理稀疏输入 | 不规则几何算子 [1] |
| PINO | 算子 + PDE 残差损失 | 数据更少（物理正则化） | 混合算子求解 [1][3] |
| GNN 仿真器 | 网格/图上的下一状态映射 | 再分析数据 | GraphCast [6] |
| 扩散集合 | 随机预报分布 | 再分析数据 | GenCast [5] |
| 可微求解器 + ML | 求解器内部的闭合/修正 | 已解析动力学数据 | 湍流闭合 [10] |
PINN 对比神经算子
| 维度 | PINN | 神经算子 |
|---|---|---|
| 输出 | 单个解实例 | 一个解算子（整族） |
| 监督 | 控制方程（可无数据） | 通常需数据；PINO 加物理损失 |
| 复用 | 每个新配置需重训 | 摊销：每实例一次前向 |
| 推理速度 | 慢（逐问题优化） | 快（单次前向传播） |
| 强项 | 精度、反问题、数据稀疏 | 跨众多实例的吞吐量 |
| 弱项 | 泛化、训练收敛 | 分布外外推 |
7. 开放问题
- 泛化与外推。 算子在训练分布内插值良好，但在分布外会退化——新的边界条件、几何、外力机制或 未见过的物理参数。PINN 则面临在刚性或多尺度系统上训练收敛的对偶难题 [2]。
- 长时程稳定性。 自回归仿真器（天气、流体）在长时滚动中会累积误差并漂移；在众多步上保持物理 守恒并避免发散仍是开放挑战。
- 多尺度与高频内容。 谱偏差使陡梯度、激波和细尺度湍流难以捕捉；频率增强与分解方法是活跃的 应对手段 [2]。
- 验证与物理保证。 学习到的代理模型并不天然满足守恒律或硬约束；量化不确定性并保证物理可容许性 尚未解决。
- 混合集成。 最强的近期方向是把学习组件与基于物理的求解器耦合（如业务化天气系统），但"在何处、 如何"插入 ML 的设计空间仍在被系统梳理 [7]。
来源
- https://arxiv.org/html/2511.04576v3 (2026-06-14) — 综述：面向参数化 PDE 的 PINN 与神经算子
- https://www.mdpi.com/2076-3417/15/14/8092 (2026-06-14) — PINN 方法学综述
- https://docs.nvidia.com/physicsnemo/latest/user-guide/model_architectures.html (2026-06-14) — PhysicsNeMo 架构
- https://developer.nvidia.com/blog/physics-ml-platform-physicsnemo-is-now-open-source/ (2026-06-14) — PhysicsNeMo 开源
- https://www.nature.com/articles/s41586-024-08252-9 (2026-06-14) — GenCast（Nature，概率预报）
- https://deepmind.google/blog/gencast-predicts-weather-and-the-risks-of-extreme-conditions-with-sota-accuracy/ (2026-06-14) — GenCast / GraphCast 背景
- https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ai-forecasts-become-operational (2026-06-14) — ECMWF AIFS 业务化
- https://www.nature.com/articles/s41586-021-04301-9 (2026-06-14) — DeepMind/EPFL 托卡马克磁控（Nature）
- https://www.microsoft.com/en-us/research/publication/aurora-a-foundation-model-for-the-earth-system/ (2026-06-14) — Aurora 基础模型
- https://arxiv.org/html/2502.02670v1 (2026-06-14) — 格点仿真 / 可微物理的 ML
- https://arxiv.org/pdf/2202.11214 (2026-06-14) — FourCastNet（AFNO）