AI FOR SCIENCE · 第 84 期

PINN 一定要靠梯度下降吗？PIMWNN 把 PDE 训练改写成多分辨小波最小二乘

固定 Shannon 小波基、逐级补入高频、只求输出系数：看懂 PIMWNN 为什么快，以及张量积维数灾难如何把代价追回来

论文档案 · PAPER PROFILE

论文原标题Physics-informed multiresolution wavelet neural network method for solving partial differential equations

中文标题求解偏微分方程的物理信息多分辨小波神经网络方法

作者：Feng Han、Jianguo Wang^✉、Guoliang Peng、Xueting Shi

第一署名单位：强脉冲辐射环境模拟与效应全国重点实验室、西北核技术研究所（西安）

发表期刊：Computer Physics CommunicationsAvailable online 9 December 2025 · Volume 320（March 2026）, Article 109986

论文 DOI：10.1016/j.cpc.2025.109986

开源代码：论文注明数据可按请求提供；截至 2026 年 9 月 3 日未核验到作者公开的完整代码或数据仓库。

把“训练网络”换成“解一组系数”

❶ PIMWNN 最反直觉的地方，是它几乎不训练隐层

说到物理信息神经网络，人们通常会想到一条漫长的梯度下降轨迹：把方程残差、初边值条件塞进损失函数，再反复调整成千上万个权重。PIMWNN 走的是另一条路。它先把一套有明确频率层级的小波基固定好，让网络只负责这些基函数的线性组合；对线性偏微分方程，最后真正未知的只剩一列输出系数。

这一区别决定了它面对 PINN 两个老问题时的姿态。训练速度慢，它就尽量绕开全参数非凸优化；高频难学，它不等待网络从低频慢慢摸到细节，而是显式加入更细尺度的小波。换句话说，PIMWNN 不是让同一个黑箱更努力，而是先换掉表示解的坐标系。

粗尺度画轮廓，细尺度补纹理

❷ 多分辨分析把频率结构直接写进网络

从尺度函数、小波子网到物理约束：PIMWNN 的结构源自论文 Fig. 1

Fig. 1 的前三部分展示了这套坐标系：尺度函数子网描述给定粗分辨率下的主体轮廓，不同层级的小波子网依次承接更细的局部变化，最后把所有通道求和。论文采用 Shannon 小波，因此节点的平移与缩放不是训练出来的隐语义，而是预先定义的基函数位置和频带。结构图最后一部分再把方程与边界信息接到网络输出上。

固定基上的未知解展开

û(x) = Σᵢ aᵢ θᵢ(x)

[A; B; C]a ≈ [f; g; h]

θᵢ 是预先确定的尺度函数或小波函数，aᵢ 才是待求权重；A、B、C 分别汇集方程、边界与初值在配点上的约束。

一旦未知解写成这类线性展开，线性微分算子作用在每个基函数上仍然是已知量。把所有配点的方程残差、边界值和初值排成矩阵，就得到一个通常超定的线性系统；所谓“训练”，实际是用最小二乘找到最合适的系数向量。这解释了速度从哪里来：它省掉的是隐层参数在损失地形里反复迭代的过程。

跳过梯度下降，不等于计算免费

尺度越细，基函数越多，矩阵越宽；最小二乘的内存、条件数和分解成本会随之上升。PIMWNN 把困难从非凸训练转移到了基选择和线性代数，而不是让困难消失。

“抗频谱偏置”首先是一种表示能力

❸ 每加一级尺度，频谱窗口就向高波数推进

尺度逐级增加时，PIMWNN 捕捉到更高波数的频谱成分源自论文 Fig. 2

Fig. 2 用一个同时含平台、尖峰和折角的一维函数测试频率覆盖。最高尺度为 9 时，预测频谱与精确频谱大致在波数 500 以内吻合；尺度增至 10 和 11，吻合区间推进到约 1000 和 2000。对应的相对二范数误差，也就是 L2 相对误差，从 1.055×10^-2 降到 2.018×10^-4。

这组结果更准确的解读不是“小波天然消灭所有频谱偏置”，而是研究者能用尺度参数显式决定候选空间里有没有相应高频。二维高斯函数也呈现同样规律：最高尺度设为 3×3 时，论文报告 L2 相对误差 1.181×10^-7，CPU 时间约 0.050 秒。精度提升来自更丰富的基，但节点和求解成本也同步增长。

从尖峰输运到突然出现的热源

❹ 强梯度结果亮眼，但比较口径并不完全统一

在线性非稳态问题里，PIMWNN 可以把空间和时间一起当作输入，而不是先离散时间再逐步推进。复杂振荡初值与尖峰高斯初值两个输运算例，论文分别报告 9.555×10^-4 和 3.413×10^-4 的 L2 相对误差；后者用时约 0.483 秒。它说明固定多尺度基对移动尖峰和高频振荡很有吸引力。

强热源大梯度：PIMWNN 的误差与平均训练时间对照源自论文 Table 6

Table 6 是文章里最醒目的效率对照。强热源在中间时刻突然制造很陡的温度梯度，PIMWNN 的误差为 1.76×10^-4，平均训练时间 3.38 分钟；MMPINN-DNN 为 5.01±1.52×10^-4 和 21.09 分钟，SA-PINN 则为 1.76×10^-3 和 66.75 分钟。就这张表而言，PIMWNN 同时占据更低误差和更短时间。

不过，这些横向数字混合了作者本机实现和文献报告的不同架构，未形成统一计算预算下的系统基准。论文虽说明实验在 Intel Core i7 2.20 GHz、16 GB 内存的笔记本上运行，却没有为所有外部方法重新跑同一代码，也没有给出多次随机重复。因此，这些结果适合证明“该实现值得重视”，还不足以建立无条件的速度排名。

非线性会把迭代重新带回来

❺ Burgers 方程不是一次最小二乘就结束

Burgers 方程：三个时刻的解、逐点误差与频谱源自论文 Fig. 15

Fig. 15 展示了 Burgers 方程在三个时刻的陡峭解形、逐点误差和频谱。论文给出的整体 L2 相对误差是 8.86×10^-4，所示时刻的误差维持在 10^-3 量级。图中预测曲线与参考曲线几乎重合，最显著的误差集中在梯度最陡的位置，这与多尺度表示需要在局部高频处投入更多基函数的直觉一致。

但这里必须收回“跳过迭代”的口号。作者先用后向 Euler 离散时间，再用 Picard 方法线性化非线性对流项；时间步长为 0.001，每一步做 10 次 Picard 迭代。PIMWNN 加速的是每个线性子问题的表示与求解，并没有把非线性本身变成一次闭式计算。

真正的瓶颈从优化转向维度与线性代数

❻ 张量积会让高维基函数迅速膨胀

多分辨小波在一维里很自然，但论文的高维构造依赖一维基的直积。维度增加后，候选基数量会组合式增长，隐层节点随之膨胀，最小二乘矩阵也出现更多列。作者明确承认，这会限制实际应用中的速度和可扩展性，并把区域分解、自适应选基和快速最小二乘列为下一步方向。

证据链还有两个需要保留的缝隙。第一，Helmholtz 算例正文写出的相对误差是 6.887×10^-2，而 Table 3 在相同最高尺度设置下列的是 2.174×10^-3，二者不能同时作为最终结果。第二，现有实验以低维制造解和既有基准为主，没有报告矩阵条件数、三维规模、噪声逆问题或随机重复。数据也仅注明按请求提供，未核验到公开完整实现。

因此，PIMWNN 最稳妥的定位是一种结构化的物理基函数法：它借用神经网络的表达框架，却把可解释的多尺度基和线性求解放到核心位置。对低维、频率丰富且可用配点稳定约束的问题，它可能比通用深网络更直接；对高维、多物理、逆问题或强噪声场景，基的选择、线性系统稳定性和尺度自适应仍需新的证据。

AI 模拟审稿

如果把它当作一篇多尺度 PDE 求解方法论文

① 优点方法机制清楚且有解释性：固定 Shannon 多分辨基负责频率覆盖，物理约束负责确定系数，线性问题最终落到最小二乘。论文用稳态、非稳态、强梯度和非线性算例展示了同一框架的广度。

② 局限张量积基在高维会快速膨胀，最小二乘系统的条件数和内存代价没有系统分析；部分基线来自不同文献与配置，Helmholtz 误差还存在正文和表格不一致，现有证据不足以支持普遍速度优势。

③ 下一步启示最值得推进的是区域分解与自适应选基：让局部简单区域停留在粗尺度，只在尖峰、界面和高频处增加小波；同时报告条件数、统一墙钟时间、多随机重复，并扩展到三维、噪声逆问题和真实多物理数据。

关注智核学术 · 看懂方法背后的问题

免责声明：本文为第三方学术解读，并包含 AI 辅助整理与 AI 模拟审稿，仅供学术交流；不构成正式同行评审、工程验证或决策依据。文中观点不代表论文作者、所属机构或期刊立场，论文事实与数据请以原文为准。