工业智能

Deep Energy Method：何时应避开强形式PINN

,
Deep Energy Method：何时应避开强形式PINN封面

强形式PINN把控制方程直接写成点残差。例如二阶Poisson方程需要网络输出对空间坐标的二阶导数，再最小化域内残差、边界残差和可能的数据误差。Deep Energy Method（DEM）走另一条路：若PDE对应某个变分原理，就让神经网络表示试探解，通过数值积分最小化总势能或其他能量泛函。arXiv:2602.07838概括了它相对强形式PINN的两个直接优势：所需导数阶数更低、超参数更少；并展示了面向Poisson、屏蔽Poisson、线弹性、超弹性及自定义能量泛函的开源平台LM-DEM。

问题不是“DEM是否全面优于PINN”，而是什么时候强形式的代价已经超过它的便利。

Deep Energy Method：何时应避开强形式PINN技术图

从方程残差切换到能量泛函

以线弹性为例，强形式要求位移场满足域内平衡方程，并在边界上满足位移或表面力条件。位移网络经过自动微分得到应变与应力，再对包含一阶导数的应力求散度，通常需要位移的二阶导数。DEM则最小化总势能：内部应变能减去外力做功。网络只需通过一阶导数得到应变，数值积分把各采样点贡献汇总。满足驻值条件时，能量极小解对应控制方程的弱解。

降低导数阶数非常重要。高阶自动微分放大网络频谱偏置与数值噪声，显存和计算图开销也更高。在复杂几何、材料非线性和高维参数问题中，二阶甚至更高阶导数往往成为训练不稳定的源头。能量形式还天然吸收许多自然边界条件：例如给定表面力通过外力功进入泛函，不必另设一个与域残差竞争的罚项。

本质边界条件仍需处理。最佳方式通常是硬约束试探函数，例如u(x)=u_D(x)+d(x)N_θ(x)，其中d在Dirichlet边界为零；复杂几何也可用距离函数、R函数、坐标映射或边界提升函数。若硬约束构造困难，也可用罚项或增广拉格朗日，但会重新引入权重选择问题。

五种应优先考虑避开强形式PINN的情况

第一，方程强形式要求高阶导数，而能量泛函只要求较低阶导数。典型例子包括位移型弹性、Poisson类问题，以及有合适变分结构的板壳或相场模型。导数阶数每降低一级，自动微分稳定性和激活函数选择空间通常都会改善。

第二，解或材料场只具有弱正则性。尖角、孔洞、材料跳变、裂纹和接触附近，强形式残差可能不存在、剧烈变化，或需要对不连续系数求导；弱形式/能量形式只要求积分意义成立，更贴近有限元处理方式。但标准平滑网络仍可能抹平位移跳跃或裂纹，需要富集、分区网络或不连续嵌入，DEM并不会自动表示不连续性。

第三，自然边界很多且几何复杂。强形式PINN必须在每类边界上采样并平衡损失；法向量误差会直接污染通量或牵引残差。能量形式可让一部分自然边界自动出现，减少损失项和权重。对于大量自由表面、孔壁或裂纹面的结构问题，这一点尤其有价值。

第四，复合损失长期发生梯度冲突。强形式通常同时优化PDE、边界、初值、接口和数据。arXiv:2609.14841表明，在区域分解PINN/PIKAN中，这些任务会产生梯度冲突，三维多重重叠接口尤其困难。Norm-PCGrad可缓解冲突；而在存在有效能量原理时，DEM可先从建模层减少独立罚项数量。两者不是互斥的：多材料DEM仍可能有本质边界、接口或数据项，可继续监测并处理梯度冲突。

第五，工程验收关心能量、反力和整体响应。若目标本来就是最小势能状态、应变能、柔度或等效刚度，能量目标与业务量更一致。它仍需验证局部应力峰值，但至少训练目标不再只是各点残差平方的人工组合。

哪些情况不要贸然使用DEM

首要前提是存在正确、可计算且适合最小化的变分泛函。一般非保守系统、带对流主导的输运、某些耗散演化、多稳态动力过程，并不一定能写成简单的全局最小能量。即使存在作用量，也可能是鞍点而非最小值，直接做梯度下降会得到错误问题。不能为了使用DEM而“猜”一个能量。

第二，能量积分可能掩盖局部误差。总能量接近不代表每个位置的平衡残差、应力或通量都准确。局部正负误差会在积分中抵消，奇异区域在总体测度中占比又小。因此必须配合局部加密积分、独立强残差后验检查和关键区域误差指标。

第三，数值积分成为新瓶颈。DEM是无传统网格形函数，不等于不需要几何离散和积分点。复杂三维CAD仍需可靠的域内采样、边界识别、Jacobian与权重。Monte Carlo积分简单但方差高；规则高斯积分精确却依赖单元或参数化。若积分偏差没有收敛，优化器会忠实地最小化错误泛函。

第四，非凸超弹性、屈曲和多稳态问题可能落入非物理解或错误分支。需要增量加载、路径跟踪、多初值和稳定性检查。接触、不可压缩约束常需混合变量、拉格朗日乘子或罚函数；单一位移网络可能发生锁死或约束失真。

第五，逆问题与稀疏观测并不会因能量形式自动可辨识。材料参数、载荷和边界同时未知时，仍需数据项、先验和不确定性分析。能量最低的参数组合可能并非真实参数。

一套可审计的DEM实现

几何与积分层从CAD、Gmsh或已有有限元网格生成体积分点、边界积分点、权重、法向与区域标签。arXiv:2602.07838介绍的LM-DEM可由自然语言或图像辅助生成Gmsh兼容几何，并并行获得有限元解；这降低了试用门槛，但自动生成几何必须经过尺寸、拓扑、边界组和网格质量检查，不能未经审核进入工程计算。

试探函数层负责本质边界硬约束和尺度归一化。材料层提供能量密度及参数合法域，类似有限元用户材料接口的思路。目标层计算内部能、外力功、必要的约束项和观测项。优化层可先用Adam探索，再用L-BFGS类方法精修，但不能把优化器切换当作固定教条。诊断层同时输出总能量、分项能量、边界误差、独立强残差、守恒量和参考解误差。

代码验证从“制造解”开始：选定光滑解析解，反推出载荷和边界，检查能量、位移、梯度与强残差。随后做积分收敛：加密积分点，观察关键响应是否稳定。再做网络容量与随机种子测试，确认误差不是偶然。最后与有限元进行同几何、同材料、同边界的对照。

DEM与强形式PINN的公平实验

比较必须控制参数量、训练预算、采样/积分预算和精度。至少设置强形式PINN、DEM、有限元参考；若复杂几何采用区域分解，可增加Norm-PCGrad强形式基线。对于线弹性，报告位移L2、能量范数、应力误差、反力平衡和边界条件误差；对于Poisson问题，报告解误差、梯度误差、通量守恒和独立强残差。

测试集应覆盖光滑域、带孔域、再入角、材料界面和三维复杂零件。不要只在训练积分点上评估。奇异点附近可按距离分层统计；全域平均误差很可能掩盖最重要的局部风险。性能指标包括每步时间、总墙钟时间、显存、积分点数、达到目标误差所需迭代，以及几何预处理成本。

还要专门验证载荷外推和参数变化。若企业希望把网络当参数化求解器，就应把几何、材料或载荷参数作为输入，并在训练范围边缘和范围外测试。单实例求解很准，并不能证明它能取代批量仿真流程。

变分原理与能量泛函的建模细节

从数学上说，DEM并不是把强形式残差简单换成另一个损失函数，而是先确定允许解空间，再在该空间中寻找泛函的驻值点。以标量椭圆问题为例，设区域为Ω，Dirichlet边界为Γ_D，Neumann边界为Γ_N，扩散系数k(x)>0，体源为f，边界通量为t。可取势能泛函

Π[u]=∫_Ω(1/2 k|∇u|²-fu)dΩ-∫_{Γ_N}tu dΓ，

允许空间要求u在Γ_D上等于给定位移或温度u_D。对任意在Γ_D上为零的变分v求一阶变分，得到∫_Ω k∇u·∇v dΩ=∫_Ω fv dΩ+∫_{Γ_N}tv dΓ；分部积分后才恢复域内方程与自然边界条件。因此训练时最小化的是原问题的变分结构，而不是逐点逼近二阶微分算子。若k保持正定，该泛函通常具有良好的下界与唯一极小点；若材料切线失去正定性、问题存在屈曲或软化，则“驻值”等同于“最小值”的前提需要重新检查。

线弹性对应Π[u]=∫_Ω 1/2 ε(u):C:ε(u)dΩ-∫_Ω b·u dΩ-∫_{Γ_N}t·u dΓ，其中ε是对称梯度，C必须满足材料对称性与适当的正定条件。超弹性则以变形梯度F=I+∇u和应变能密度W(F)构造内部能；同时应监控det(F)>0，避免网络产生局部翻转。近不可压缩材料若直接使用很大的体积模量，可能出现优化条件数恶化，宜引入压力网络形成位移—压力混合变分，或采用经过验证的分裂能量，而不能只靠加大罚系数。

离散计算时，体积分应明确写成加权和Σ_q w_q J_q ψ(x_q)，边界积分也要包含表面Jacobian。坐标归一化后，梯度必须按链式法则还原到物理尺度；否则几何尺寸改变会悄悄改变能量各项的相对量级。对于Monte Carlo积分，应固定可复现实验的随机序列，并用独立积分点复核；对于网格高斯积分，则要记录单元阶次、积分阶次、退化单元和负Jacobian。训练损失下降而积分规则变化后答案漂移，说明得到的是积分离散的极小点，而非可信的连续问题近似。

边界条件、接口与约束的实现

边界处理应先区分本质条件和自然条件。本质条件限定试探空间，硬约束通常最可靠：u=u_D+dN_θ中的d不必是精确距离，但应在Γ_D严格为零，并在域内保持适当尺度。多个边界分量具有不同位移约束时，可对各分量分别构造掩码；只固定法向或切向分量时，应在局部基底中施加约束。边界提升函数u_D也要与角点处的相容条件一致，否则网络会被迫拟合不可实现的迹。

罚法实现简单，但罚系数过小会漏约束，过大则导致病态优化；增广拉格朗日可通过乘子更新在两者之间折中。周期边界需要同时约束对应点的场值关系和必要的宏观应变项。材料界面上，位移连续与牵引平衡可由共享连续试探场及分区能量部分体现；若允许界面滑移、脱粘或场跳跃，则必须显式加入界面能、接触势或独立子域网络。刚体模态未被足够约束时，总势能没有唯一极小解，表现为整体平移或转动漂移，应通过最小必要约束消除，而非用任意大罚项掩盖。

相场断裂：耦合能量与不可逆性

相场断裂适合展示DEM的优势，也最容易暴露错误能量带来的风险。常见做法以位移u和损伤相场d为未知量，将弹性能退化项、裂纹表面正则化能和外力功组合为总能量。裂纹由有限宽度带表示，长度尺度ℓ控制扩散裂纹宽度，网格或积分分辨率必须足以解析该尺度。为避免受压区域产生非物理裂纹，通常需要对拉伸和压缩能量作谱分裂或体积—偏差分裂，并只退化驱动断裂的部分；残余刚度参数用于避免完全损伤区刚度矩阵或优化问题奇异，但其取值会影响结果，必须做敏感性分析。

断裂演化还要求不可逆，即新载荷步中d不能小于旧载荷步。可采用历史场、投影更新、罚项或带不等式约束的增广拉格朗日实现。位移与相场可交替最小化，也可整体联合优化；前者较稳健但可能收敛到依赖迭代路径的局部解，后者耦合更强且更难优化。验证时应报告载荷—位移曲线、裂纹起始载荷、裂纹路径、耗散断裂能和能量平衡，并进行ℓ、积分间距、网络容量与加载步长的联合收敛。仅展示裂纹图像相似远远不够。

反问题：可辨识性、正则化与不确定性

在材料参数反演中，可把弹性模量、泊松比、空间变系数或载荷参数与网络权重共同优化，目标由势能一致性、观测误差和先验正则组成。参数应通过对数、Sigmoid或其他变换限制在物理合法域，空间变材料场则需控制平滑度、总变差或相关长度。不同量纲的位移、应变、反力和能量观测必须按噪声水平或协方差加权，而不是凭数量级随意调权。

反问题的关键不是训练误差，而是参数是否可辨识。若只测少量位移，弹性模量与载荷幅值可能成比例耦合；未知边界刚度也可能被错误归因于材料变化。可通过灵敏度矩阵的秩、Fisher信息、剖面似然或多初值后验样本检查退化方向。训练数据拟合良好但多个参数组合同样解释观测时，应输出置信区间或后验分布，而非单个“精确”数值。还应保留未参与训练的传感器、载荷工况或反力作为外部验证集，防止网络用灵活场变量吸收错误参数。

数值验证与失效判据

可信验证应形成由解析到工程几何的阶梯。制造解检查微分、积分、边界符号和单位；简单算例与高精度有限元比较能量范数和收敛率；复杂几何再比较位移、反力、应力路径和局部守恒。误差评估点必须独立于训练积分点，并对孔边、再入角、界面和裂纹尖端分区统计。强残差可作为后验指标，但在奇异点不应期待点态收敛，应结合弱残差、能量释放率或路径积分等更合适的量。

数值实验至少改变积分密度、网络宽深、激活函数、初始化、随机种子和优化预算。若均值看似准确而种子间离散很大，系统仍不具备可重复性。载荷步进问题要检查能量随步演化、外功与内能/耗散的闭合，以及卸载后的不可逆变量。最终应预先设定失败条件，例如Jacobian翻转、边界误差超限、反力不平衡、积分加密后关键量漂移、裂纹长度尺度未解析或反演参数置信区间过宽；触发后回退到传统求解器或人工复核，而不是继续增加训练轮数。

企业落地路线

第一阶段选择一个已有有限元黄金标准、变分原理清楚、风险可控的零件，优先线弹性或Poisson类问题。建立强形式PINN与DEM双基线，完成制造解和积分收敛。第二阶段引入真实CAD、复杂边界与材料分区，验证几何管道和自然边界处理。第三阶段测试非线性材料和参数化载荷，加入增量策略与不确定性评估。第四阶段把模型放进设计探索或快速预估流程，而不是直接替代认证级求解器。只有在跨版本、跨几何回归测试稳定后，才逐步扩大决策权。

行动建议可以压缩为七项：确认是否存在严格变分原理；列出强形式所需最高导数阶数；审计本质与自然边界；选择并做积分收敛；设置有限元参考；同时检查全局能量与局部强残差；对多稳态和约束问题做路径与稳定性测试。

选择DEM的正确理由，不是它“也是一种PINN”，而是目标PDE的数学结构允许用更低阶、更少冲突、更贴近工程量的泛函来训练。反过来，如果没有可信能量原理、局部守恒是核心、或积分与多稳态问题难以控制，就应保留强形式、弱形式Galerkin方法或传统数值求解器。方法选择应由方程结构和验证成本决定，而不是由模型名称决定。

参考资料

分享到