工业智能技术深度观察｜2026年11月2日
研究对象：Lee、Jeong，《Domain-informed Adaptive Sampling for Generalizable PINNs in Metal Additive Manufacturing via Conditional Flow Matching》，2026年10月6日提交，arXiv预印本。
一、热源附近和构件深处，误差分布不同
金属增材制造的温度场模拟有一个典型矛盾：最值得精确计算的位置往往只占构件体积的一小部分，却决定了此后相当长时间内的热历史。激光光斑附近的温度梯度陡峭，熔池边界随扫描路径迅速变化，热量又沿着材料导热能力和几何边界向内部传播。对于制造工程师，温度预测并不止于复原一幅漂亮的热场云图，后续还要用它解释热循环、残余应力、组织演化和工艺窗口。如果模型只在光斑附近拟合得很好，却系统性低估构件深部的蓄热，它可能在数值意义上看似稳定，却会把层间温度和冷却速率的判断带偏。
传统有限元能够比较完整地处理这一过程，但多材料、多扫描参数的设计迭代会放大计算成本。物理信息神经网络（Physics-Informed Neural Networks，PINNs）尝试把热传导偏微分方程、初始条件与边界条件写入训练目标，用神经网络直接近似连续温度场。与大量依赖温度标签的纯数据模型不同，PINN能够在较少监督样本的条件下使用守恒方程提供约束。不过，方程写得正确只是起点：训练时选择哪些空间、时间和材料参数作为配点，往往决定了网络最终在哪些区域可信。均匀撒点会把大量算力花在平缓区域；仅围绕移动热源加密，又可能忽略热量沿不同材料的传导路径形成的高误差区域。
Lee和Jeong在2026年10月提交的工作把研究重心从网络结构转移到了配点分布。研究希望在配点数量不变时，降低参数化PINN在不同材料条件下的热场误差。论文采用条件Flow Matching学习残差较大的空间分布，再将生成的采样点与工艺先验分布混合。工程上的好处是把有限的训练预算用于误差集中的区域；在有明确物理方程、数据昂贵、误差分布高度不均匀的制造场景里，采样策略可能比增加网络深度更划算。
二、残差分布怎样影响配点选择
考虑参数化瞬态传热方程，温度可以写作 $T_\theta(\mathbf{x},t;\boldsymbol\mu)$，其中 $\boldsymbol\mu$ 包括密度、比热容、导热系数等材料参数，必要时还可以扩展到热源功率和扫描速度。忽略复杂相变项时，一个用于理解问题的简化形式为 $\rho c_p\partial_tT-\nabla\cdot(k\nabla T)-Q=0$。训练损失由方程内部的残差、表面换热边界残差和初始温度残差共同组成；模型借助自动微分得到温度对空间和时间的导数，再在选定配点上计算残差。残差小与真实误差小并非处处等价。模型参数、边界建模或数值求导若有系统偏差，局部残差也可能误导训练，因此工程评估仍须保留独立的温度真值或实验测点。
采样策略可以放到经验风险最小化的框架中理解。假定目标是在给定的时空与参数分布 $p$ 上最小化残差平方的期望，实际训练却只能从提议分布 $q$ 中抽取有限数量的点。理论上，使用重要性权重 $p/q$ 可以构造目标积分的蒙特卡洛估计；当被积函数为非负的残差平方时，其低方差提议分布与残差平方成比例。训练时将更多点分配给当前物理残差较高的区域，一次梯度更新便能看到更多困难样本。论文进一步讨论了给定材料参数和时间条件后的最优采样：不同材料的热扩散速度不同，静态采样无法同时适应所有残差热点，而带条件的分布有机会降低估计方差。
但按照残差平方直接采样又产生计算难题。真实的残差分布没有简单解析形式，如果每一次训练都重新扫描整个连续域并实施拒绝采样或马尔可夫链采样，采样自身的成本可能超过网络训练。更麻烦的是，在参数空间中每换一种材料，残差热点的位置都可能随之改变。简单地维护一张固定热源周围的概率地图，就会失去参数化PINN本来希望获得的跨条件泛化能力。论文因此引入一个独立的生成模型，近似学习从简单分布到高残差分布的映射；这种先学习、后快速生成的方式，被称为摊销式采样。
三、Flow Matching负责生成配点
具体做法分为两个训练阶段。首先用带工艺先验的基础采样分布训练一个初始温度预测器，冻结其参数，在若干材料条件和时刻上生成候选点并计算残差，按照残差强度重采样出Flow Matching的目标样本。随后训练一个条件速度场，让来自均匀基础分布的点沿连续流向这些高残差区域。速度场以真实物理时间和材料参数为条件，还区分方程内部、初值与边界等残差组。这里有两个容易混淆的“时间”：Flow Matching的插值变量描述生成点如何被搬运，物理时间则决定某一时刻热量实际传播到哪里，二者在算法中的角色不同。
第二阶段重新初始化最终温度预测器，冻结已经学好的采样器。在每轮训练中，采样器根据材料参数和时刻生成空间配点，训练过程将这些点与工艺先验采样分布混合。论文采用的混合系数为 $\alpha=0.6$；它并没有完全抛弃传统的热源邻域与边界加密。保留基础分布相当于给模型留下探索机会，避免初始预测器产生的残差偏见把后续学习锁死在少数热点中。对于工程实现，这一点尤其重要：一个尚不成熟的PINN可能因为表达能力不足而在错误区域显示高残差，若采样器只追逐该区域，就会反复强化局部失衡，最终在未采样区域形成盲点。
复现时还需核对理论推导与算法更新的差别。论文在经验风险分析中使用重要性采样估计量，而其算法中的最终预测器更新写为采样点上的残差平方平均。两种写法对应的优化目标及权重处理并不完全相同。复现时应以公开实现为准，记录是否对 $p/q$ 进行显式加权，不能把理论上的最小方差推导直接等同于所有训练步骤都获得无偏估计。此外，对含有移动边界、强烈相变、局部非平稳响应的真实工艺而言，先冻结采样器再训练主模型也可能遇到残差分布漂移。是否需要在训练中周期性更新采样器，应通过消融实验回答，而不是根据方法名称推断。
四、五种材料上的误差与计算开销
论文在五种材料条件下比较非参数PINN、使用静态领域采样的高级参数化PINN（AP-PINN）和新方法，温度真值来自有限元数值基准。按文中的平均相对 $L_2$ 误差口径，非参数PINN为4.82%，AP-PINN为3.91%，新方法为1.48%。从3.91%下降到1.48%，相对于AP-PINN降幅为62.1%，这也是研究最醒目的数字。五种材料分别为Ti-6Al-4V、Inconel 718、316L不锈钢、AlSi10Mg和铜；其中后两者因导热系数超过训练参数范围，被作为分布外测试。研究使用相同配点预算、五个随机种子报告均值与标准差，改进不是通过增加最终温度预测网络的容量取得的。
不同材料的误差结构可以解释一部分收益。论文报告，低导热材料的热量更容易向构件内部积累，高导热材料的误差则沿激光轨迹附近更广泛地扩散；静态分布偏重激光作用面时，对这些热耗散区域的关注不足。自适应采样通过学习“在当前材料和时刻，残差通常出现在哪些位置”，补足了截面和远场的配点。文中还观察到一个看似反常的结果：新方法在自身采样点上计算的训练残差可能更高，但对有限元真值的总体误差反而更低。这是因为采样器主动选择困难区域，使训练损失的观测分布发生改变，因此不能直接拿不同采样方案的原始训练损失曲线判断优劣。
计算代价同样需要按照原文的口径理解。作者报告，Flow Matching生成器的单次训练约两分钟，采样所带来的单次预测器训练开销不到1%，实验采用RTX 5090。“不到1%”对应配点生成相对预测器训练的增量；完整开发成本还要计入初始模型与采样器的训练。如果初始模型训练、残差预计算、参数扫描和生成器更新需要频繁重做，完整流水线成本应重新核算。另一方面，论文所称跨材料泛化主要由热物性变化的基准构成，尚未通过同时改变激光功率、扫描速度、复杂扫描轨迹和真实粉床的系统试验验证。
五、用二维移动热源复现采样差异
工业团队第一次验证这项方法，适合选择二维板材上的移动高斯热源，而不是直接搭建完整多层熔池模型。可在矩形区域上使用带导热系数的瞬态热方程、给定初始温度和对流边界，并让热源中心按照规定速度移动。用有限元或经过网格收敛检验的有限差分求解器生成独立参考解，构建三组模型：均匀采样PINN、激光轨迹邻域加密的固定采样PINN、固定与残差自适应混合采样PINN。三组采用同一温度网络、优化器、训练步数和配点预算，改变的只有采样机制，并固定随机种子与参数训练集合。这样，获得的性能差异才能归因于配点分布。
评价不能只给一张最终云图。建议对全域相对 $L_2$ 误差、最高温度附近绝对误差、热源后方尾迹误差、底部截面温度误差分别统计，并在多个物理时刻绘制残差地图与配点热图。对于非均匀时间步或不规则网格，积分型误差还应按体积或面积权重计算，避免密网格区域无意中占据更大评分比重。在同一张图上叠加真值与预测值的等温线，能够发现平均指标掩盖的局部偏差。如果条件允许，再增加完全未参与训练的导热系数与扫描速度组合，并记录模型在插值和外推两种情况下的退化曲线；只报告一个“分布外成功”的案例，难以判断模型在哪个参数边界开始失效。
验证采样策略时还应进行两组消融。一组调整混合系数，观察过度集中与过度均匀各自带来的缺陷；另一组将Flow Matching替换成简单的残差池重采样，比较额外生成模型是否真的优于低成本启发式。进一步记录每轮残差评估时间、配点生成时间、反向传播时间与总显存占用，再报告达到固定误差阈值所需的墙钟时间。这些指标通常比固定训练轮数下的最好结果更接近工程采购决策。对于高功率密度、存在汽化和熔池对流的工况，还需增加能量守恒检查，不能把简化的纯导热实验结果直接套到完整激光加工过程。
六、迁移到焊接和热处理之前的验证
这项技术很容易令人联想到焊接热循环、局部热处理、注塑模具传热甚至电池热管理：它们都具有局部热源、时变边界、参数变化和有限采样预算的共同结构。迁移时首先要重新审查控制方程。焊接中的材料组织和潜热、接触电阻、焊缝几何及热源形状，会影响残差的定义；注塑还需要考虑对流、相变和黏温关系；热处理炉则可能被辐射边界、装炉方式与炉内气氛主导。针对这些工况，简单复用金属增材制造论文中的采样器结构可以作为研究起点，但需要根据实际物理残差重新生成训练目标，并验证边界条件是否可辨识。
进入真实车间以后，可信性必须由多种证据建立。热像仪的发射率校准、反光材料的表观温度、传感器时间同步、热电偶安装位置和设备工艺记录都会影响评估。一个合理的部署路径是先用有限元建立多工况基准，再用少量热像或热电偶数据校正关键边界参数，最后让PINN承担高频查询和参数敏感性分析。对于过程窗口之外的输入，系统应明确标记外推区间并回退到经过验证的求解方法，而不是持续输出看似平滑的高精度温度数字。将模型版本、工艺配方、材料批次、传感器校准记录和误差报告关联起来，才有可能把研究成果转化为可审计的热过程数字孪生服务。
这项实验提示，训练预算应随物理残差的空间分布调整。过去讨论PINN的工程瓶颈，人们常把注意力集中在激活函数、网络宽度和求导性能上；这项研究提醒我们，训练点在哪里，和网络能学到什么同样重要。62.1%的误差改善已足以支持开展一个低成本复现实验，但是否值得纳入工业系统，最终要看它能否在真实材料、变化的工艺路径以及严格的时间预算下，持续提供更准确、可解释、可追溯的温度预测。
参考资料
- Hyeonsu Lee, Jihoon Jeong. Domain-informed Adaptive Sampling for Generalizable PINNs in Metal Additive Manufacturing via Conditional Flow Matching. arXiv:2610.09126, 2026-10-06. https://arxiv.org/abs/2610.09126
- 论文HTML全文与实验表格：https://arxiv.org/html/2610.09126v1
- 作者公布的实现代码：https://github.com/hsleecri/AdaptiveSamplingPINN-AM
说明：论文报告的性能指标属于数值模拟基准；本文的二维验证方案、现场数据闭环和跨工艺迁移建议为工程分析与实验设计，不应视为论文已完成的实证结果。