一张网格加密之后，同一套物理方程的神经算子突然变得难训，工程团队往往先调学习率、增大网络，或者再加一些监督样本。Shizheng Wen、Siddhartha Mishra 和 Marius Zeinhofer 在 2026 年 9 月 28 日提交的预印本《Preconditioned Physics-Informed Neural Operator Training》把问题拨回数值计算的老地方：离散算子的条件数。论文的实用判断很鲜明——训练目标若是偏微分方程残差，便应先处理残差所在空间的尺度，再评价网络能否学会解算子。[1][2]
这里说的“无标签”，是训练时不需要为每个输入先用传统求解器算出完整解；检验模型精度时仍需高可信参考解。对需要反复改变载荷、源项或设计参数的仿真业务，生成上千份标注解耗费算力，也占用模型和网格工程师的时间。物理信息神经算子可以每步重新抽取输入函数，用方程残差监督网络。论文报告，在 Poisson、Allen–Cahn 与稳态 Stokes 三组实验中，这种训练方式配合预条件损失，相对既有物理信息算子学习基线取得约 4—25 倍的精度改善，结果接近监督训练；比较范围是论文的任务、模型与误差口径，不能直接折算为任意工厂算例的提速。[1][2]
为什么“方程没变”，梯度却变坏了
先看线性 Poisson 方程的离散形式。有限元装配给出刚度矩阵 A、预测节点值 u 和右端 f，常见物理损失是 ||Au−f||²/2。真解 u* 满足 Au*=f，因此残差也可写作 A(u−u*)。与直接计算 ||u−u*||²/2 的有标签损失相比，残差把输出误差先送过 A。不同频率的误差由此受到不同权重；网格越细，高频方向越容易被放大，低频方向则迟迟难以修正。论文给出的 Poisson 典型分析中，未处理的最小二乘损失条件数随网格尺寸 h 缩小约按 h 的负四次方增长。[2，§1、§2]
这解释了一个令人困惑的现象：残差确实来自正确的控制方程，网络也有足够参数，优化器仍可能花大部分更新来追逐数值尺度最大的方向。把某个物理项的系数随手调小，只会改变权重，未必修好同一残差内部的谱失衡。三位作者的做法是在计算损失时先作用近似逆算子 P：||P(Au−f)||²/2。若 P 正好等于 A 的逆，损失在这个线性例子里就退化为解误差；实务中采用计算更便宜的近似逆。残差仍以零为目标，变的是优化地形。[2，式(1)(2)(6)]
论文用几何多重网格处理结构化网格上的 Poisson 和 Allen–Cahn，用代数多重网格参与非结构化 Stokes 问题的分块预条件。多重网格把不同尺度的误差分层处理：细层的平滑器收拾局部振荡，粗层负责跨越大片区域的慢变量。PETSc 的多重网格文档列出限制/插值算子、粗网格矩阵和 V/W 循环等配置，这些都是传统求解器里的成熟工具。[3] 论文的新意在于把数值预条件接到可微物理损失上，让神经网络训练也承受较好的谱结构。预条件器只参与训练损失计算，论文称推理阶段没有额外开销。不过训练时装配、GPU 内应用多重网格及反向传播仍要付成本。[2]
对工业数值软件来说，改损失函数和改预测网络的区别很实际。既有模型可以沿用，预条件器则与方程离散同版本管理；每次替换材料参数范围或换网格生成器，都应重新检查它的收敛能力。论文把网络输出先插值到有限元空间，再组装离散弱形式残差。这让残差计算能复用数值求解器的空间结构，也让边界施加方式、积分精度和插值误差成了训练配置的一部分。表面上只改一行损失代码，底下其实多了完整的数值验证责任。[2，§2、附录A]
一个小测试就能看出这项责任：取完全相同的预测场，在粗、细两套网格上计算未经预条件和已预条件的残差范数，画出不同空间频率对应的误差衰减。若粗网格收益明显，细网格却重新失衡，应回到多重网格层次、边界处理和矩阵装配检查，而不要匆忙归咎于网络容量。论文在 Poisson 小网格上用从单位算子到精确逆算子的混合试验，正是为了隔离这一原因。[2，§3.1]
三个实验分别回答什么
第一组 Poisson 用结构化网格和 Fourier Neural Operator（FNO），考察源项到解的映射。论文主表中，预条件物理训练的测试相对 L² 误差为 5.1%±0.8%，监督训练为 4.7%±0.8%；PINO 基线为 33.1%±1.1%，物理信息 DeepONet 为 21.4%±4.7%。单轮训练时间分别约 1.2、1.1、1.1、3.1 秒，表中硬件为单张 RTX 4090。数字显示这里的改善来自学习结果，而非免费运算：预条件方案每轮比监督参照略慢，离线标注成本又属于另一笔账。[2，表1]
第二组 Allen–Cahn 是演化方程的时间步进算子，仍用结构化网格和 FNO。预条件方法为 3.2%±0.3%，监督为 2.0%±0.2%，PINO 为 5.3%±1.6%；相应单轮时间是 46、40、40 秒。这个结果比 Poisson 温和，也提醒选型者：不同方程与离散方式的病态程度不同，预条件收益会变化。该实验不能支撑“所有无标签训练都超过监督”的说法。[2，§3.2、表1]
第三组是带圆孔区域上的稳态 Stokes，采用非结构化三角网格、Taylor–Hood 速度—压力离散和 GAOT 算子，学习体力到速度及压力场的映射。Stokes 属于鞍点系统，速度块与压力相关的 Schur 补需要分别对待；论文使用分块对角思路，并以代数多重网格近似速度块的逆。测试速度误差 1.6%±0.2%、压力误差 0.85%±0.04%；监督参照为 3.3%±0.2% 与 1.79%±0.16%。物理信息 DeepONet 的相应数字为 39.7%±2.1% 与 36.7%±0.6%。这组实验说明方法能离开整齐的像素网格，但圆孔算例距离真实流道、材料界面与生产边界还有一段路。[2，§3.3、表1]
论文中的“网格无关条件性”也有明确边界：对椭圆问题，其分析把物理残差导致的条件数增长从约 O(h⁻⁴) 降到 O(1)；对鞍点问题报告改善至约 O(h⁻²)，尚未消去全部网格依赖。这里分析的是特定离散与预条件构造下的损失结构，完整神经网络优化还会受到网络雅可比、采样分布和随机优化影响。工程评估应同时画出误差、残差和梯度变化曲线，不能拿一条训练损失曲线替代精度验证。[2，§1.1、附录B]
更细看这些表格，比较基线所用的物理导数路径也不同：PINO 使用有限差分，物理信息 DeepONet 通过坐标自动微分，论文预条件损失使用有限元残差。它们是各自方法的常见实现，但“预条件带来多少收益”与“弱形式离散本身带来多少收益”需要再做消融。尤其是 Stokes 的复杂边界，有限差分 PINO 并没有作为同一网格的直接对照；论文说只有物理信息 DeepONet 能迁移到该非结构化设置。[2，§3、附录C] 因而复验时可增加同一有限元残差、不加 P 的对照。保持残差装配代码完全相同，差别只剩预条件步骤，结论才更清楚。
误差报告也要跟着物理量走。压力有基准值自由度，应采用一致的规范化后再比较；速度场除了 L² 平均误差，还应看守恒、孔洞周围的梯度及壁面条件。对 Allen–Cahn，界面位置和时间步的误差累积往往比一帧的平均误差更贴近用途。若目标是制造参数反演，可记录梯度敏感度；若用于实时控制，则把最坏推理时延也纳入。论文的指标说明训练可行，产品验收要由业务输出决定。[2，§3、附录C]
让方法进入真实仿真链，先做一份小而硬的复验
第一步，选一个现有求解器已经能稳健计算的参数族。比如带孔板导热的几何参数与边界热流，或者低雷诺数流道的入口分布。冻结材料本构、载荷范围、边界条件和单位；把训练分布、留出的几何、留出的载荷写在试验单上。论文的 Poisson 随机源项、Allen–Cahn 时间步进和 Stokes 圆孔域各有清晰设置，企业问题应按自己的任务重新定义成功条件，而不是把论文误差阈值照抄。[2，§3、附录C]
第二步，给数据留出两个独立角色。训练时的预条件物理方案只读输入、网格和离散方程；另用现有有限元或有限体积求解器对固定测试集生成参考解，并核对求解器容差和网格收敛。若网格解本身不稳定，就先修参考。测试集包含训练区间内的常规案例和边界附近的稀有案例，记录位置与梯度局部误差，别只报全域平均相对 L²。[2，§2、表1]
第三步，以同一网络、参数量、输入分布和测试集跑三条线：监督训练、原始物理残差训练、预条件物理残差训练。学习率可分别调优，但给出调参预算、随机种子、批量与最佳检查点规则。论文主表采用三种种子报告误差，并在表中区分有限元残差、有限差分残差及自动微分残差；企业复验要把这些差异列出来。若同时换掉网络和残差离散，便无法判断是哪一处带来了收益。[2，表1、附录C]
第四步，把预条件器当成正式数值部件验收。结构化网格可以试几何多重网格；来自真实 CAD 的不规则网格更应记录代数多重网格的聚合、层数、平滑器、粗网格尺寸和每次应用时间。对耦合流固、接触或多材料界面，还需测试零空间、矩阵不定性与预条件器失效场景。每次改变网格尺寸都记录收敛、内存、GPU 利用率和预条件器构建耗时。论文方法给的是设计方向，具体预条件配置要随离散系统选。[2，§2、§3.3、附录C]
第五步，比较全成本而非仅比较推理帧率。监督路线算上生成训练解、清洗与存储；无标签路线算上每个优化步的装配、网格循环和调参。两条路线均计入测试参考解、模型评估与失败重跑。再用独立网格密度、形状扰动和新边界条件做迁移测试：精度跌落时，判断是算子泛化问题、输入表示问题，还是有限元插值与边界施加造成的误差。论文附录专门讨论在训练网格外评估的情况，企业仍须在自己的几何族上重复。[2，附录A]
还可以专门做失效注入：故意改变边界标签、漏掉一片狭小区域的体力，或使非结构网格出现高纵横比单元。期望系统在守恒检查、参考解对照或网格质量报警里暴露异常。若网络仍给出光滑漂亮的场，不代表方程配置正确。实际交付时保存方程版本、网格指纹、训练输入抽样规则、预条件器超参数与参考求解器容差，保证几年后仍能重建这次比较。对于经常迭代的 CAD 设计空间，“误差究竟来自模型还是来自新网格”这份记录尤其有用。尤其要留住测试集中的坏案例：尖角附近的梯度、跨材料界面的通量、极端载荷下的守恒残差。下一次模型更新时逐案回放，才能发现整体平均分数掩盖的退化。
实际预算评审可用一张清单收口：训练输入分布变更一次，需要重做哪些测试？网格生产线更新一次，预条件器的复用范围到哪里？推理部署端是否能拿到一致的输入表示？若标注求解器原本就很快，工程师应把标注数据制作的人工成本也写出来；若物理损失在 GPU 上大量重复装配，得算清显存与能耗。每条成本都用同一组问题和相同误差阈值估计，才可能判断是否真的省钱。模型输入超出已验范围时，系统应把案例退回传统求解器，而非依赖平均测试分数继续给出设计结论。
最后安排一个可退出的试点：先让代理模型处理批量参数扫描或设计空间筛查，挑选若干样本交回高精度求解器复算；把守恒误差、物理边界违约和最坏案例一并登记。若设计决策依赖很小的局部热点，平均场误差表现良好也可能不够。对工业软件团队来说，这篇论文更值得采购的是一条实验思路——把求解器多年积累的预条件知识移到训练损失里，再用现有网格与验算制度审它。论文截至目前是一篇预印本，真实工程网格的可复现结果仍是下一道门槛。[1][2]
资料来源
- Shizheng Wen、Siddhartha Mishra、Marius Zeinhofer，《Preconditioned Physics-Informed Neural Operator Training》，arXiv 摘要及提交记录，2026-09-28，https://arxiv.org/abs/2609.36216 。支持论文日期、总述及 4—25 倍的作者报告。
- 同论文 HTML 全文，§1—3、表1、附录 A—C，https://arxiv.org/html/2609.36216v1 。支持损失定义、条件数分析、三组任务与具体误差、基线设置和复验范围。
- PETSc 官方文档，《PCMG》，https://petsc.org/release/manualpages/PC/PCMG/ 。支持传统多重网格预条件器的算子、层级和循环配置说明；与论文实验结果分开引用。
实验数字为论文作者报告，工程复验步骤为本文建议；配图为概念示意。