1 经典力学

1 什么是牛顿三定律？答：惯性定律、 运动定律、作用与反作用定律。

2 什么是惯性系？答：牛顿第一定律成立的参考系，即不受外力时物体保持静止或匀速直线运动。

3 什么是质点和刚体？答：质点忽略形状和体积；刚体有形状体积，但变形可忽略，内部任意两点距离不变。

4 什么是内力和外力？答：内力是系统内部各部分间相互作用力；外力是外部环境对系统的作用力。

5 什么是应力？答：单位面积上的内力，描述材料内部受力强度，。

6 什么是应变？答：描述材料变形程度的无量纲量，如线应变 ，剪应变表示角度变化。

7 正应力和切应力有什么区别？答：正应力垂直于截面，引起拉伸或压缩；切应力平行于截面，引起剪切变形。

8 什么是应力张量？答：描述一点处各方向应力的二阶张量 ，分量  表示  面内  方向应力。

9 什么是应变张量？答：描述一点处变形状态的二阶张量 ，包括正应变和剪应变。

10 什么是主应力？答：某点处使切应力为零的方向上的正应力，是应力张量的特征值。

11 什么是主应变？答：应变张量的特征值，对应主应变方向，即无剪应变方向上的正应变。

12 什么是应力不变量？答：与坐标系无关的应力张量组合量，如 、、。

13 什么是胡克定律？答：线弹性范围内应力与应变成正比，一维形式 。

14 什么是泊松比？答：横向应变与轴向应变之比，。

15 杨氏模量、剪切模量、体积模量之间有什么关系？答：各向同性材料中 ，，三者由  决定。

16 什么是平面应力？答：薄板类问题，假设厚度方向应力为零，。

17 什么是平面应变？答：长柱体类问题，假设厚度方向应变为零，。

18 什么是边界条件？答：求解微分方程时在边界上给定的约束，用于确定唯一解。

19 位移边界条件和力边界条件有什么区别？答：位移边界条件给定边界位移；力边界条件给定边界面力或应力。

20 什么是虚功原理？答：系统平衡时，任意虚位移下外力虚功等于内力虚功。

2.1 数学分析

21 什么是极限？答：描述变量趋近某值时函数或序列趋近的目标值。

22 什么是连续？答：函数在一点极限存在且等于函数值，即 。

23 什么是一致连续？答：对任意 ，存在只依赖于  的 ，使全定义域内  时 。

24 什么是导数？答：函数变化率，。

25 什么是偏导数？答：多元函数对某一变量求导，其他变量保持不变。

26 什么是方向导数？答：函数沿某单位方向的变化率，等于梯度与该方向点积。

27 梯度的物理意义是什么？答：指向函数增长最快方向，大小为该方向最大变化率。

28 散度和旋度分别表示什么？答：散度表示源汇强度；旋度表示旋转或环量强度。

29 什么是泰勒展开？答：用某点各阶导数构造多项式逼近函数。

30 什么是多元函数的泰勒展开？答：用梯度、Hessian 等高阶偏导构造多元多项式逼近。

31 什么是积分中值定理？答：连续函数在区间上的积分等于某点函数值乘区间长度。

32 什么是傅里叶级数？答：将周期函数分解为正弦、余弦函数无穷级数。

33 什么是函数空间？答：以函数为元素的集合，并赋予线性结构、范数或内积等。

34 什么是范数？答：衡量向量或函数“大小”的非负函数，满足正定、齐次、三角不等式。

35 什么是内积？答：定义向量或函数间夹角与长度的双线性运算，如 。

36 什么是完备空间？答：所有 Cauchy 序列都收敛于该空间内元素的度量空间。

37 什么是 Banach 空间？答：完备的赋范线性空间。

38 什么是 Hilbert 空间？答：完备的内积空间。

2.2 线性代数与矩阵分析

39 什么是矩阵的秩？答：矩阵线性无关行或列的最大数目，表示像空间维数。

40 什么是特征值和特征向量？答：满足  的标量  和向量 。

41 什么是矩阵的谱？答：矩阵所有特征值组成的集合。

42 什么是对称矩阵？答：满足  的矩阵。

43 什么是正定矩阵？答：对称矩阵且对任意非零 ，。

44 如何判断一个矩阵是否正定？答：对称且所有特征值为正，或所有顺序主子式为正，或存在 Cholesky 分解。

45 什么是半正定矩阵？答：对称矩阵且对任意 ，。

46 什么是矩阵范数？答：衡量矩阵大小的范数，如谱范数、Frobenius 范数。

47 什么是矩阵的条件数？答：，衡量求解对扰动敏感程度。

48 条件数有什么物理或数值意义？答：条件数大表示病态，输入小扰动可能导致解大误差。

49 什么是奇异值分解 SVD？答：，奇异值为  对角元。

50 SVD 在数值计算中有什么作用？答：用于求秩、伪逆、最小二乘、降维、病态分析和压缩。

51 什么是矩阵的谱半径？答：特征值模的最大值，。

52 为什么有限元中的刚度矩阵通常是对称的？答：因为能量双线性形式对称，单元刚度矩阵和组装后总体矩阵保持对称。

53 为什么刚度矩阵需要满足正定性或半正定性？答：保证能量非负，解稳定唯一；半正定对应存在刚体位移。

3 有限元

54 什么是有限元方法？答：将连续区域离散为有限个单元，用分片插值近似求解微分方程的数值方法。

55 有限元方法的基本思想是什么？答：化整为零、分片近似、弱形式等效、组装求解。

56 有限元方法解决问题的基本步骤是什么？答：几何离散、选择单元和形函数、建立弱形式、组装方程、施加边界条件、求解、后处理。

57 什么是单元？答：离散区域中的基本子区域，如杆单元、三角形单元、四面体单元。

58 什么是节点？答：单元上用于定义自由度和插值的离散点。

59 什么是自由度？答：节点或单元上待求的独立未知量，如位移分量、温度。

60 什么是形函数？答：用节点值插值单元内场量的基函数。

61 形函数有什么性质？答：节点处为 1 或 0，满足单位分解 ，具有局部支撑和完备性。

62 什么是单元刚度矩阵？答：描述单个单元节点力与节点位移关系的矩阵。

63 单元刚度矩阵是怎么得到的？答：由弱形式或能量原理，对形函数导数积分得到 。

64 什么是总体刚度矩阵？答：所有单元刚度矩阵按节点自由度组装成的整体系统矩阵。

65 单元刚度矩阵和总体刚度矩阵有什么关系？答：总体刚度矩阵由单元刚度矩阵按自由度映射叠加组装而成。

66 什么是有限元组装？答：将各单元贡献累加到总体方程对应自由度位置的过程。

67 什么是等参单元？答：几何插值和场变量插值采用相同形函数的单元。

68 什么是自然坐标？答：单元局部坐标系，如 ，通常范围  或 。

69 什么是雅可比矩阵？答：自然坐标到物理坐标的映射导数矩阵，用于积分变换。

70 为什么有限元计算中需要进行数值积分？答：单元积分通常复杂，数值积分可高效近似。

71 什么是高斯积分？答：在特定积分点和权重上求和的数值积分，可高精度积分多项式。

72 什么是数值积分误差？答：数值积分结果与精确积分之差，与积分阶次和单元畸变有关。

73 什么是一阶、二阶单元？答：一阶单元场量线性插值；二阶单元二次插值，通常有边中节点。

74 增加单元阶次有什么好处？答：提高精度和收敛率，更好逼近光滑解，减少网格量。

75 什么是 -型加密？答：保持单元阶次不变，减小单元尺寸 。

76 什么是 -型加密？答：保持网格不变，提高单元多项式阶次 。

77 什么是 -型有限元？答：同时或自适应调整网格尺寸  和阶次 。

78 网格越细一定越好吗？答：不一定；会增加计算量、舍入误差和病态性，需平衡精度与成本。

79 什么是网格畸变？答：单元形状偏离理想形状，导致雅可比差、精度下降。

80 什么是自适应有限元？答：根据误差估计自动调整网格或阶次以高效提高精度。

81 为什么需要自适应网格？答：在解变化剧烈或误差大的区域局部加密，节省计算资源。

82 什么是有限元的收敛性？答：随网格加密或阶次提高，数值解趋于精确解。

83 什么是有限元的稳定性？答：误差不被无限放大，离散系统对扰动和参数变化保持可控。

84 有限元误差主要来自哪些方面？答：离散误差、插值误差、数值积分误差、边界条件误差、舍入误差和模型误差。

85 有限元中的  误差和  误差有什么区别？答： 误差衡量函数值误差； 误差还包含一阶导数误差。

4 强形式、弱形式与变分法

86 什么是微分方程的强形式？答：要求解具有足够阶连续导数并逐点满足微分方程和边界条件的形式。

87 什么是弱形式？答：将方程乘以试函数并积分，通过分部积分降低导数阶数的等价形式。

88 为什么要把强形式转换成弱形式？答：降低光滑性要求，便于有限元分片插值，并自然引入边界条件。

89 强形式和弱形式有什么区别？答：强形式逐点满足且要求高光滑；弱形式积分意义满足且要求低光滑。

90 什么是试函数？答：弱形式中用于测试方程的任意函数，也称测试函数。

91 什么是权函数？答：加权余量法中用于使残差加权积分为零的函数。

92 什么是测试函数？答：与试函数类似，用于弱形式或变分方程中的检验函数。

93 什么是 Galerkin 方法？答：用同一组基函数作为近似解和测试函数空间的加权余量法。

94 什么是加权余量法？答：令微分方程残差与权函数内积为零，从而求近似解。

95 什么是 Ritz 方法？答：基于能量泛函极小化求近似解的方法。

96 Ritz 方法和 Galerkin 方法有什么区别？答：Ritz 从能量泛函出发；Galerkin 从弱形式出发。自伴问题中二者常等价。

97 什么是变分原理？答：将物理问题表述为泛函极值或驻值问题。

98 什么是虚功原理？答：平衡时外力虚功等于内力虚功。

99 如何从控制方程推导有限元弱形式？答：乘测试函数、全域积分、分部积分、移项并代入边界条件。

100 为什么弱形式可以降低对解的光滑性要求？答：分部积分将部分导数从解转移到测试函数，解只需较低阶弱导数。

5 偏微分方程 PDE 基础

101 什么是偏微分方程？答：含未知多元函数及其偏导数的方程。

102 常微分方程和偏微分方程有什么区别？答：ODE 只含一个自变量；PDE 含多个自变量。

103 什么是一阶 PDE？答：最高阶偏导为一阶的 PDE。

104 什么是二阶 PDE？答：最高阶偏导为二阶的 PDE。

105 什么是线性 PDE？答：未知函数及其导数以线性方式出现，系数只依赖自变量。

106 什么是非线性 PDE？答：未知函数或其导数以非线性方式出现。

107 什么是齐次 PDE？答：方程中不含与未知函数无关的源项，右端为零。

108 什么是椭圆型 PDE？答：二阶主部特征值同号，如 Laplace/Poisson 方程，描述平衡问题。

109 什么是抛物型 PDE？答：一个方向时间一阶、空间二阶，如热传导方程，描述扩散。

110 什么是双曲型 PDE？答：主部有异号特征值，如波动方程，描述传播和振动。

111 Laplace 方程是什么？答：。

112 Poisson 方程是什么？答：。

113 热传导方程是什么？答： 或 。

114 波动方程是什么？答：。

115 Navier–Stokes 方程描述什么问题？答：粘性流体运动。

116 Navier–Stokes 方程中的每一项分别具有什么物理意义？答：时间项惯性、对流项惯性、压力梯度、粘性扩散、外力。

117 什么是初始条件？答：时间演化问题在初始时刻给定的解或导数条件。

118 什么是边界条件？答：区域边界上给定的约束。

119 Dirichlet 边界条件是什么？答：给定边界上的函数值，。

120 Neumann 边界条件是什么？答：给定边界上的法向导数或通量，。

121 Robin 边界条件是什么？答：给定函数值与法向导数的线性组合，。

122 什么是混合边界条件？答：边界不同部分分别采用不同类型边界条件。

6 PDE 数学理论

123 什么是 PDE 的适定性？答：解存在、唯一且稳定。

124 适定性包括哪三个方面？答：存在性、唯一性、稳定性。

125 什么是解的存在性？答：至少有一个函数满足方程和定解条件。

126 什么是解的唯一性？答：满足条件的解只有一个。

127 什么是解的稳定性？答：输入或定解条件小扰动只引起解的小扰动。

128 为什么 PDE 的稳定性很重要？答：保证数值解和物理预测可靠，避免误差放大。

129 什么是经典解？答：具有方程所需连续偏导数并逐点满足方程的解。

130 什么是弱解？答：在积分意义下满足弱形式的解，导数要求较低。

131 为什么需要引入弱解？答：许多问题经典解不存在，弱解可扩大解的范围并适合有限元。

132 什么是 Sobolev 空间？答：函数及其弱导数属于  的空间，记 。

133 什么是  空间？答：函数和其一阶弱导数均平方可积的 Sobolev 空间 。

134 什么是弱导数？答：通过分部积分定义的、满足积分恒等式的导数。

135 什么是 Lax-Milgram 定理？答：Hilbert 空间中连续强制双线性形式对应的变分问题存在唯一解。

136 Lax-Milgram 定理解决什么问题？答：为椭圆型 PDE 弱解存在唯一性提供框架。

137 什么是 Céa 引理？答：Galerkin 近似误差被最佳逼近误差乘以常数控制。

138 Céa 引理与有限元误差分析有什么关系？答：它将有限元误差转化为插值逼近误差，是收敛性分析基础。

139 什么是能量范数？答：由问题能量内积诱导的范数，如 。

140 什么是先验误差估计？答：求解前由网格、阶次和正则性给出的误差上界。

141 什么是后验误差估计？答：利用已得数值解和残差估计误差。

142 先验误差估计和后验误差估计有什么区别？答：先验依赖未知精确解和理论参数；后验依赖计算结果，可指导自适应。

7 数值分析基础

143 什么是数值方法？答：用离散近似和算法求解数学问题的技术。

144 为什么需要数值方法求解 PDE？答：多数实际 PDE 无解析解，需近似计算。

145 什么是截断误差？答：离散公式与精确数学表达式之间的差。

146 什么是离散误差？答：连续问题精确解与离散问题精确解之差。

147 什么是舍入误差？答：有限精度浮点运算产生的误差。

148 什么是数值稳定性？答：计算过程中误差不被无限放大。

149 什么是算法收敛性？答：离散参数趋于零时数值解趋于精确解。

150 稳定性和收敛性有什么区别？答：稳定性控制误差传播；收敛性描述离散解趋近连续解。

151 什么是相容性？答：离散格式当步长趋于零时逼近原微分方程。

152 什么是 Lax 等价定理？答：线性适定初值问题中，相容且稳定等价于收敛。

153 什么是误差阶？答：误差随步长  趋于零的幂次，如 。

154 什么是一阶收敛？答：误差 。

155 什么是二阶收敛？答：误差 。

156 网格尺寸  和误差有什么关系？答：通常误差 ， 为收敛阶。

157 什么是 Richardson 外推？答：利用不同步长结果组合消去低阶误差，提高精度。

158 什么是迭代法？答：从初值出发反复更新近似解的方法。

159 什么是 Jacobi 迭代？答：用上一步其他分量更新每个未知量的迭代法。

160 什么是 Gauss-Seidel 迭代？答：用已更新的最新分量进行迭代，通常比 Jacobi 快。

161 什么是共轭梯度法 CG？答：求解对称正定线性系统的 Krylov 子空间迭代法。

162 什么是 GMRES？答：求解非对称线性系统的广义最小残量 Krylov 方法。

163 什么是预条件技术？答：用近似逆改善线性系统条件数，加速迭代收敛。

8 AI 基础

164 什么是人工智能？答：让机器模拟人类智能行为的技术。

165 什么是机器学习？答：从数据中自动学习规律并进行预测或决策的方法。

166 什么是深度学习？答：基于多层神经网络的机器学习方法。

167 机器学习和深度学习有什么区别？答：机器学习范围更广；深度学习用深层神经网络自动提取特征。

168 什么是神经网络？答：由神经元分层连接构成的可训练非线性映射模型。

169 什么是神经元？答：神经网络基本计算单元，对输入加权求和后经激活函数输出。

170 什么是激活函数？答：神经元中的非线性变换函数。

171 为什么需要非线性激活函数？答：否则多层网络等价于单层线性变换。

172 常见的激活函数有哪些？答：Sigmoid、Tanh、ReLU、Leaky ReLU、GELU、Swish 等。

173 什么是前向传播？答：输入经网络逐层计算得到输出的过程。

174 什么是反向传播？答：用链式法则计算损失对参数的梯度。

175 什么是损失函数？答：衡量预测与目标差异的优化目标函数。

176 什么是梯度下降？答：沿负梯度方向更新参数以减小损失。

177 什么是学习率？答：梯度下降中控制参数更新步长的超参数。

178 什么是过拟合？答：模型在训练集表现好，但在新数据上泛化差。

179 什么是欠拟合？答：模型太简单，训练和测试表现都差。

180 什么是训练集、验证集和测试集？答：训练集用于学习参数；验证集用于调参；测试集用于最终评估。

181 什么是泛化能力？答：模型对未见数据的预测能力。

182 什么是梯度消失？答：反向传播中梯度逐层变小，深层参数难更新。

183 什么是梯度爆炸？答：梯度逐层变大，导致训练不稳定。

184 什么是正则化？答：限制模型复杂度以减轻过拟合，如 L1、L2、Dropout。

185 什么是 Batch Normalization？答：对每批数据做归一化，稳定训练并加速收敛。

9 PINN 基础

186 什么是 PINN？答：物理信息神经网络，将 PDE 残差加入损失训练神经网络求解正/反问题。

187 PINN 的全称是什么？答：Physics-Informed Neural Network。

188 PINN 和普通神经网络有什么区别？答：PINN 损失含物理方程、边界和初始条件约束，不只拟合数据。

189 PINN 为什么叫 Physics-Informed？答：训练过程由物理方程残差提供信息。

190 PDE 如何加入神经网络？答：用自动微分计算网络输出对自变量的导数，代入 PDE 得残差。

191 什么是 PDE residual？答：将网络近似解代入 PDE 后不满足的残差。

192 PINN 的损失函数通常由哪些部分组成？答：PDE 残差损失、边界损失、初始损失，有时加数据损失。

193 边界条件如何加入 PINN？答：在边界采样点计算预测与给定边界值之差加入损失。

194 初始条件如何加入 PINN？答：在初始时刻采样点计算预测与初始条件之差加入损失。

195 PINN 有什么优点？答：无网格、可处理高维、反问题方便、易融合数据。

196 PINN 有什么缺点？答：训练难、多目标损失平衡难、精度和收敛性保证弱、计算成本高。

197 PINN 为什么可能存在训练困难？答：损失非凸、多任务梯度不平衡、谱偏差、刚性问题和坏条件。

198 PINN 和有限元有什么区别？答：PINN 是无网格神经网络近似；有限元是网格离散分片插值。

199 PINN 能不能保证数值解收敛？答：一般不能严格保证；需理论假设和误差分析。

200 PINN 如何保证物理约束？答：通过 PDE 残差、边界、初始和守恒律等损失软约束，或硬约束构造。

10 DeepONet 基础

201 什么是 Neural Operator？答：学习函数到函数映射的神经网络算子。

202 Neural Operator 和普通 Neural Network 有什么区别？答：普通网络学有限维向量映射；Neural Operator 学无限维函数空间映射。

203 什么是算子？答：将函数映射为函数或数值的映射。

204 函数和算子有什么区别？答：函数通常输入数输出数；算子输入函数输出函数。

205 DeepONet 是什么？答：深度算子网络，用 Branch Net 和 Trunk Net 学习非线性算子。

206 DeepONet 的基本结构是什么？答：Branch Net 编码输入函数，Trunk Net 编码查询点，输出为二者内积。

207 Branch Network 是什么？答：处理输入函数采样值，输出一组系数 。

208 Trunk Network 是什么？答：处理查询坐标 ，输出一组基函数 。

209 为什么 DeepONet 要使用 Branch Net 和 Trunk Net？答：分离输入函数和查询位置，实现函数到函数映射。

210 DeepONet 最基本的数学表达形式是什么？答：。

211  表示什么？答：由 Branch Net 从输入函数  提取的系数。

212  表示什么？答：由 Trunk Net 在查询点  处给出的基函数值。

213 DeepONet 学习的到底是什么？答：学习输入函数到输出函数的算子映射。

214 DeepONet 和 PINN 有什么区别？答：PINN 通常学单个 PDE 解；DeepONet 学整个算子/解族。

215 DeepONet 和传统有限元有什么区别？答：DeepONet 离线训练后快速推理，无网格；有限元每次需离散求解。

216 DeepONet 为什么适合求解 PDE？答：PDE 解可视为输入参数/初边值到解的算子，DeepONet 正好学算子。

217 什么是 Neural Operator 的通用逼近能力？答：在适当条件下可逼近连续非线性算子。

218 DeepONet 的通用逼近定理解决了什么问题？答：证明 Branch-Trunk 结构可逼近一大类连续算子。

219 普通神经网络的通用逼近定理和 DeepONet 有什么区别？答：前者逼近连续函数；后者逼近连续算子。

220 DeepONet 存在哪些局限性？答：训练数据需求、泛化到新分布难、误差理论不完整、高维和刚性挑战。

11 神经网络收敛性

221 什么叫神经网络的“收敛”？答：训练中损失、参数或输出趋于稳定或最优。

222 神经网络的收敛性有哪些不同含义？答：优化收敛、训练误差收敛、泛化误差收敛、输出收敛、算法稳定。

223 优化算法收敛是什么意思？答：迭代点或梯度趋于驻点或最优解。

224 训练误差收敛是什么意思？答：训练损失趋于稳定或零。

225 泛化误差收敛是什么意思？答：测试/期望风险随样本或训练趋于稳定并接近训练误差。

226 网络输出收敛是什么意思？答：网络预测随训练或离散参数趋于目标函数。

227 什么是梯度下降算法的收敛性？答：在假设下梯度下降产生的损失或梯度趋于驻点。

228 学习率对收敛有什么影响？答：太大会震荡发散，太小会收敛慢或陷局部。

229 网络深度对训练有什么影响？答：深度增加表达力，但可能梯度消失/爆炸、优化更难。

230 网络宽度对表达能力有什么影响？答：宽度增加提高拟合能力，但参数和计算量增加。

231 网络结构改变为什么可能影响收敛性？答：改变损失景观、梯度传播、条件数和表达能力。

232 参数量增加是否一定能够提高精度？答：不一定；可能过拟合、优化更难、数据不足。

233 神经网络为什么可能出现训练不稳定？答：梯度爆炸/消失、坏初始化、学习率不当、批归一化问题。

234 神经网络是否一定能够找到全局最优解？答：不一定；非凸优化通常只能保证驻点或局部最优。

235 非凸优化是什么？答：目标函数或可行域非凸，可能存在多个局部最优。

236 什么是局部最优？答：邻域内最优但全局不一定最优。

237 什么是鞍点？答：梯度为零，但某些方向上升某些方向下降的点。

238 神经网络损失函数为什么通常是非凸的？答：多层非线性复合导致高度非凸。

239 如何判断一个神经网络算法是否稳定？答：观察损失、梯度、参数更新是否受扰动可控，理论看稳定性条件。

240 如何证明一个神经网络方法的误差收敛？答：结合逼近误差、优化误差、泛化误差和稳定性估计。

12 AI + 有限元

241 为什么要把 AI 和有限元结合？答：提高效率、加速求解、辅助建模、误差估计和优化。

242 AI 可以在哪些环节帮助有限元？答：前处理、网格生成、本构、求解器加速、误差估计、后处理、优化。

243 AI 能否替代有限元？答：短期不能完全替代；可作为加速和补充工具。

244 AI 能否加速有限元求解？答：可以，如代理模型、预条件、降阶、算子学习。

245 如何用神经网络预测有限元结果？答：用有限元数据训练网络，输入参数/几何/载荷，输出场量。

246 如何利用 AI 进行网格自适应？答：学习误差指示子或策略，预测需加密区域。

247 如何利用 AI 进行有限元误差估计？答：用网络拟合后验误差或残差与真实误差关系。

248 如何利用 AI 进行结构优化？答：代理模型加速目标/约束评估，结合拓扑或形状优化。

249 AI 预测结果不满足物理规律怎么办？答：加入物理损失、守恒约束、投影或混合数值求解。

250 如何保证 AI 模型满足边界条件？答：硬约束构造、边界损失、特殊网络结构。

251 如何保证 AI 模型满足守恒定律？答：在损失或结构中嵌入守恒律、对称性和不变量。

252 AI 方法和传统数值方法如何结合？答：代理模型、混合求解、预条件、误差估计、降阶模型。

253 什么是数据驱动方法？答：主要从数据学习输入输出关系。

254 什么是物理驱动方法？答：基于物理方程和原理建模求解。

255 什么是物理约束与数据驱动融合？答：数据学习同时嵌入物理方程、边界、守恒等约束。

13 力学 Agent

256 什么是 Agent？答：能感知环境、决策并采取行动以完成目标的智能体。

257 AI Agent 和普通神经网络有什么区别？答：Agent 有感知、规划、工具调用、记忆和行动循环；网络只是模型组件。

258 AI Agent 如何应用于力学问题？答：自动建模、调用求解器、分析结果、优化参数、生成报告。

259 力学 Agent 可以完成哪些任务？答：前处理、仿真设置、求解、后处理、误差判断、优化、文档。

260 力学 Agent 如何调用有限元软件？答：通过 API、脚本接口、命令行或文件输入输出。

261 如果让 Agent 自动完成一次有限元仿真，需要哪些步骤？答：理解问题、建几何、划网格、设材料边界、提交求解、检查结果、迭代。

262 Agent 如何判断仿真结果是否合理？答：检查收敛、残差、守恒、边界、量纲、网格敏感性和经验范围。

263 Agent 如何进行参数优化？答：定义目标和约束，调用仿真或代理模型，使用优化算法迭代。

14 拓扑优化

264 什么是拓扑优化？答：在给定设计域内寻找材料最优分布。

265 拓扑优化和尺寸优化有什么区别？答：尺寸优化改尺寸；拓扑优化改材料有无和连通性。

266 拓扑优化和形状优化有什么区别？答：形状优化改边界形状；拓扑优化可改变孔洞和连接。

267 拓扑优化的目标函数是什么？答：常为最小柔顺度、最小质量、最大频率等。

268 什么是设计变量？答：优化中可调整的变量，如单元密度、形状参数。

269 什么是约束条件？答：优化必须满足的条件，如体积分数、应力、位移。

270 什么是柔顺度？答：结构在载荷下变形能，柔顺度小表示刚度大。

271 为什么结构优化经常以最小柔顺度为目标？答：提高刚度、减小变形，数学上方便且物理意义明确。

272 什么是体积分数约束？答：限制材料用量占设计域比例。

273 什么是 SIMP 方法？答：固体各向同性材料惩罚法，用连续密度插值材料属性。

274 拓扑优化和有限元有什么关系？答：拓扑优化通常用有限元计算结构响应和灵敏度。

275 AI 能否用于拓扑优化？答：能，用于代理模型、生成设计、加速迭代和灵敏度预测。

15 随机矩阵理论

276 什么是随机矩阵？答：元素按某种概率分布随机生成的矩阵。

277 为什么需要研究随机矩阵？答：描述高维复杂系统统计性质，用于物理、统计、机器学习。

278 什么是随机矩阵的特征值？答：随机矩阵的特征值，其分布是随机变量。

279 什么是谱分布？答：特征值在极限下的经验分布。

280 随机矩阵和神经网络有什么关系？答：权重矩阵可近似随机矩阵，用于分析谱、梯度和训练。

281 神经网络中的权重矩阵可以看成随机矩阵吗？答：初始化时可；训练后不完全随机，但可用随机矩阵理论近似。

282 随机矩阵理论可以研究神经网络的什么性质？答：谱分布、条件数、梯度传播、稳定性、泛化。

283 随机矩阵与高维数据有什么关系？答：高维数据协方差矩阵和特征值统计常用随机矩阵理论。

16 数值误差与后验估计

284 什么是数值误差？答：数值解与精确解之差。

285 什么是绝对误差？答：误差的绝对大小 。

286 什么是相对误差？答：绝对误差与真值或范数之比。

287 什么是误差范数？答：在函数空间或向量空间中度量误差大小的范数。

288 什么是误差估计？答：对误差大小进行定量或定性估计。

289 什么是后验误差估计？答：利用数值解和残差估计误差。

290 为什么需要后验误差估计？答：指导自适应、评估可信度、控制精度。

291 后验误差估计如何指导网格加密？答：误差大的单元标记并加密。

292 什么是误差指示子？答：表示局部误差大小的量，用于选择加密区域。

293 什么是残差型误差估计？答：基于方程残差和通量跳跃估计误差。

294 如何判断一个数值算法的结果是否可信？答：检查收敛、误差估计、守恒、网格独立性和物理合理性。

17 算法复杂度

295 什么是算法复杂度？答：算法所需时间或空间随问题规模增长的量级。

296 什么是时间复杂度？答：运行时间随输入规模增长的量级。

297 什么是空间复杂度？答：内存需求随输入规模增长的量级。

298 什么是 、、？答：线性、平方、立方增长复杂度。

299 有限元计算为什么会产生很大的计算量？答：自由度多、矩阵大、积分和求解耗时。

300 为什么矩阵求解是有限元计算的重要瓶颈？答：大型线性系统求解通常占主要计算时间。

301 什么是稀疏矩阵？答：大多数元素为零的矩阵。

302 为什么有限元刚度矩阵通常是稀疏矩阵？答：形函数局部支撑，节点只与相邻节点耦合。

303 什么是并行计算？答：同时使用多个处理器协同计算。

304 AI 能否降低有限元计算复杂度？答：可以部分降低，如代理模型、降阶、预条件和算子学习。

18 与你本科装甲车辆背景结合的基础题

305 装甲车辆结构主要承受哪些载荷？答：重力、冲击、爆炸、振动、疲劳、热和接触载荷。

306 装甲车辆受到冲击载荷时有什么特点？答：持续时间短、幅值高、高频、非线性、局部损伤。

307 什么是静力分析？答：忽略惯性，分析结构在恒定载荷下的响应。

308 什么是动力学分析？答：考虑时间、惯性和阻尼的结构响应分析。

309 什么是冲击载荷？答：短时间剧烈作用的载荷。

310 什么是振动？答：结构围绕平衡位置的往复运动。

311 什么是模态分析？答：求结构固有频率和振型的分析。

312 什么是固有频率？答：结构自由振动时的特征频率。

313 什么是模态振型？答：对应固有频率的变形形状。

314 什么是阻尼？答：耗散振动能量的机制。

315 为什么装甲车辆需要进行结构优化？答：减重、提高防护、刚度、寿命和性能。

316 有限元如何分析装甲车辆结构？答：建几何、划网格、设材料载荷边界、求解应力位移模态等。

317 如果一个装甲车辆构件存在应力集中，如何处理？答：圆角过渡、加厚、改材料、优化形状或拓扑。

318 为什么结构中会出现应力集中？答：几何突变、孔洞、缺口、材料不连续。

319 如何通过拓扑优化改善结构？答：重新分布材料，降低应力集中和柔顺度。

320 AI 能否帮助装甲车辆结构设计？答：能，用于代理模型、优化、损伤预测和设计生成。

19 最后的综合基础题

321 有限元方法解决的核心问题是什么？答：用离散分片近似求解连续 PDE 边值问题。

322 PDE 与有限元是什么关系？答：PDE 是物理模型，有限元是求解 PDE 的数值方法。

323 数值分析与有限元是什么关系？答：数值分析提供误差、稳定、收敛和算法理论基础。

324 数学分析为什么对计算力学重要？答：提供极限、连续、导数、积分和泛函基础。

325 矩阵分析为什么对有限元重要？答：有限元最终化为大型稀疏线性代数系统。

326 AI 为什么可以用于计算力学？答：可学习高维映射、加速求解、辅助建模和优化。

327 PINN 和 DeepONet 最大的区别是什么？答：PINN 学单个解；DeepONet 学算子/解族。

328 DeepONet 和有限元最大的区别是什么？答：DeepONet 离线学习后快速推理；有限元每次离散求解。

329 什么是 Neural Operator？答：学习函数到函数映射的神经网络算子。

330 什么是“AI for Mechanics”？答：用 AI 方法解决力学建模、求解、优化和反问题。

331 什么是“智算力学”？答：力学、数学与 AI 融合的智能计算力学。

332 为什么智算力学需要数学理论？答：保证模型可分析、可证明、可泛化和可靠。

333 为什么智算力学需要力学约束？答：保证结果符合物理规律和守恒律。

334 为什么智算力学需要误差分析？答：评估精度和可信度。

335 为什么智算力学需要稳定性分析？答：保证训练和预测对扰动不敏感。

336 为什么智算力学需要收敛性分析？答：保证方法随数据/参数趋于正确结果。

337 传统计算力学和智算力学有什么区别？答：传统基于离散数值格式；智算融合数据、物理和 AI。

338 你的研究中“力学、数学、AI”三者分别承担什么作用？答：力学提供问题和约束；数学提供理论和误差保证；AI 提供高效映射与求解能力。

20 简单小小问题

有限元是什么？答：用有限个单元分片插值求解 PDE 的数值方法。

有限元基本步骤是什么？答：离散、弱形式、插值、组装、边界条件、求解、后处理。

强形式与弱形式是什么？答：强形式逐点满足微分方程；弱形式积分意义满足。

为什么要弱形式？答：降低光滑性要求，便于分片插值和边界处理。

什么是 Galerkin 方法？答：用同一组基函数作近似解和测试函数。

什么是形函数？答：单元内插值场量的基函数。

什么是刚度矩阵？答：节点力与节点位移之间的线性关系矩阵。

什么是正定矩阵？答：对称且对任意非零向量 ，。

什么是 PDE？答：含多元函数偏导数的方程。

椭圆、抛物、双曲 PDE 怎么区分？答：看二阶主部特征值符号：同号为椭圆，一零为抛物，异号为双曲。

什么是适定性？答：解存在、唯一且稳定。

什么是弱解？答：积分意义下满足弱形式的解。

什么是 Sobolev 空间？答：函数及其弱导数属于  的空间。

什么是先验误差估计？答：求解前由理论参数给出的误差上界。

什么是后验误差估计？答：用已得数值解和残差估计误差。

什么是稳定性？答：误差或扰动不被无限放大。

什么是收敛性？答：离散解随参数趋于精确解。

稳定性和收敛性的关系？答：相容时，线性问题中稳定常等价于收敛。

什么是 PINN？答：物理信息神经网络，用 PDE 残差训练网络。

PINN 怎么把物理方程加入网络？答：自动微分算导数，代入 PDE 得残差加入损失。

什么是 DeepONet？答：用 Branch Net 和 Trunk Net 学习算子的网络。

Branch Net 和 Trunk Net 分别做什么？答：Branch 编码输入函数；Trunk 编码查询坐标。

什么是 Neural Operator？答：学习函数到函数映射的神经网络。

DeepONet 和普通神经网络有什么区别？答：普通网络学向量映射；DeepONet 学算子映射。

DeepONet 和 PINN 有什么区别？答：PINN 学单个解；DeepONet 学解算子/解族。

什么是通用逼近定理？答：适当神经网络可逼近一大类连续函数或算子。

神经网络的收敛性是什么意思？答：损失、参数、输出或泛化误差趋于稳定/目标。

为什么网络结构变化会影响收敛？答：改变梯度传播、损失景观、表达力和条件数。

为什么 AI 要和有限元结合？答：加速求解、辅助建模、误差估计和优化。

什么是智算力学？答：力学、数学与 AI 融合的智能计算力学。