KAN 求解自由边界 PDE：在线性椭圆障碍、p-Laplacian 障碍与一相 Stefan 问题上取得低相对 L2 与 L∞ 误差，并准确刻画接触区与移动界面
相关研究与后续进展
核心概要
该工作把 Kolmogorov-Arnold 网络（KAN）嵌入物理信息框架，用残差型损失统一处理障碍约束、PDE 不等式、互补条件与边界条件，在线性椭圆障碍问题、非线性 p-Laplacian 障碍问题和时间相关一相 Stefan 问题上与 PINN 及残差网络基线对比，数值实验显示 KAN 取得较低相对 L2 与 L∞ 误差，并能准确分辨接触区与移动界面。
Figure 4 : Model-capacity comparison for the EOP . Relative L 2 L^{2} errors are plotted against the total number of trainable parameters for PINN , ResNet , and KAN models. Across the different architectures, KAN achieves lower errors with fewer parameters, demonstrating improved parameter efficiency for the obstacle problem.
arXiv深度剖析
提出一种基于 KAN 近似的物理信息自由边界求解器，把障碍约束、PDE 不等式、互补条件与边界条件一并写入残差型损失函数。 以往物理信息框架多用于固定区域上的正问题，这里把自由边界特有的不等式与互补结构显式纳入损失，使 KAN 表示可直接用于带未知接触集或相界面的问题。 摘要说明该方法是残差型损失驱动的物理信息框架，并在三类问题上实例化：线性椭圆障碍问题、非线性 p-Laplacian 障碍问题、时间相关一相 Stefan 问题。
在三个自由边界算例上，KAN 求解器取得较低相对 L2 与 L∞ 误差，并准确分辨接触区与移动界面。 与 PINN 和残差网络基线相比，KAN 在自由边界场景下被报告为一种有效替代方案，而不仅是固定边界 PDE 的求解器。 证据来自数值实验，评价指标为相对 L2 与 L∞ 误差，并观察接触区与移动界面的分辨情况；摘要未给出具体误差数值、网格或算例规模。
结果表明 KAN 表示可作为求解自由边界 PDE 的有效替代路径。 把 KAN 的适用面从常规函数拟合与固定域 PDE 扩展到含不等式约束与互补条件的自由边界问题。 该结论由摘要中三类问题的数值对比支持，属于数值层面的可行性证据，而非理论收敛性或误差界证明。
启示与展望
该结果面向在物理信息框架下求解自由边界 PDE 的研究者与工程实践者，适用于可用残差损失表达障碍约束、PDE 不等式、互补条件与边界条件的问题设定，摘要中具体覆盖线性椭圆障碍问题、非线性 p-Laplacian 障碍问题与时间相关一相 Stefan 问题。其价值在于展示 KAN 表示在接触区与移动界面上的分辨能力，并为把同类约束型损失迁移到其他自由边界模型提供起点。
摘要未报告相对 L2 与 L∞ 误差的具体数值、算例规模、训练配置与消融结果，因此难以判断 KAN 相对 PINN 与残差网络基线的优势幅度及其对超参数的敏感性。接触区与移动界面的分辨精度如何量化、在更高维或更强非线性设定下是否保持，仍是需要进一步观察的问题。此外，摘要未涉及理论收敛性或误差界，方法的稳定性与可扩展性有待后续工作检验。