用于建模和逆问题的可微图求解器中的约束

19 十一月 20260 视图

介绍了一种隐式图求解器,支持端到端微分,并能处理大型方程组约束。该求解器已在正向演化和稳态计算、系数与右端项重建以及可训练图粗化任务中进行了测试;结果表明,它能降低正向模拟的成本,并更高效地执行逆问题。

用于建模和逆问题的可微图求解器中的约束

论文《带约束的正向与逆向问题自动微分》(arXiv:2610.27888)介绍了一种带约束的可微图求解器。作者为 Nikolay Yavich 等人。这里的约束是一个在偏微分方程(PDE)数值优化中求解的大型方程组。

将约束作为问题设定的一部分

刚性演化型和稳态 PDE 的数值优化通常需要求解大型方程组。论文将这个方程组视为约束。约束是问题设定的一部分,而非添加到现成解上的内容。

  • PDE 定义演化型或稳态问题。
  • 在非结构化网格上构建近似解。
  • 网格可以表示为图。
  • 将大型方程组视为约束。

实用判断标准:如果优化依赖大型方程组,约束就应纳入问题设定。

隐式图求解器与微分

作者提出了一种基于图的全可微隐式求解器。

求解器将约束以大型方程组的形式纳入其中。它在隐式步骤中保持可微性。

  • 基于 PDE 近似解的图表示。
  • 隐式格式纳入约束。
  • 全可微性使得可以通过隐式解优化参数。
  • 稳定性有助于优化。

结论:对于逆问题,隐式步骤的可微性至关重要。

正向模拟

求解器的性能通过四类任务进行评估。第一类是正向模拟,涵盖线性和非线性问题。其中包括演化型和稳态问题。

  • 线性正向模拟;
  • 非线性正向模拟;
  • 演化型问题;
  • 稳态问题。

实用判断标准:当在给定约束下求解 PDE 时,需要正向模拟部分。

逆问题

接下来的两类是逆问题,二者的区别在于未知对象不同。

逆问题类型求解器评估的对象
系数逆问题方程系数
右端项逆问题方程右端项

结论:求解器针对两种不同类型的未知量进行了验证。实用判断标准:需要评估 PDE 系数或右端项时,可以选择该求解器。

可学习的图粗化

第四类是可学习的图粗化,用于加速正向模拟。

  • 以可学习的方式对图进行粗化;
  • 目标是加速正向模拟;
  • 粗化纳入求解器评估。

实用判断标准:在图问题设定中需要加速正向计算时,可采用粗化。

适用范围与选择标准

论文的应用领域是物理学和工程学,并特别提到地球物理学。在该领域,逆问题用于降低模型的不确定性。

稳定性和可微性降低了正向模拟的复杂度,也有助于高效求解相关逆问题。

  • 非结构化网格上的 PDE;
  • 解的图表示;
  • 作为约束的大型方程组;
  • 正向和逆向问题;
  • 可学习的图粗化。

实用判断标准:对于采用非结构化网格、并以大型方程组作为约束的 PDE,该方法是合适的。对于不符合这一框架的任务,论文并未提供选择依据。

常问问题

用于建模和逆问题的可微图求解器中的约束