引力波波形计算改用神经预条件器：最难高频区比基础ILU少用2至15次GMRES迭代
核心概要
高精度引力波源建模长期回避机器学习，因为神经网络自带噪声底。研究者把图神经网络训练成迭代求解器的预条件器，让传统GMRES保留最终精度、只负责加速。在非对称质量双黑洞的高频椭圆方程上，最难参数区所需GMRES迭代次数比基础ILU少2至15次，墙钟时间比次优方法少2至4倍。
深度剖析
机器学习被放进迭代求解器内部充当加速器，而不是直接预测解，因此最终精度仍由传统Krylov方法保证。 此前高精度引力波源建模依赖传统数值方法，直接机器学习在引力领域的相对误差通常停在噪声底附近，难以满足LISA这类探测器的灵敏度要求。 在非对称质量双黑洞的十耦合Lorenz规范椭圆方程上，神经预条件器收敛到规定的相对残差，并在最难的高频情形下比基础ILU少用2至15次GMRES迭代。
图神经网络把稀疏矩阵当作带权邻接矩阵，输出对不完全LU分解的修正，从而生成一个更有效的预条件器。 训练损失直接测量每个GMRES重启周期对残差的削减，梯度通过区分Arnoldi过程回传，而不是使用随机估计的Frobenius范数损失。 训练在固定分辨率、约19万个未知场值的算例上进行，每个方位角数用17个频率训练，并在留出算例上验证。
同一套预条件器思路迁移到弹性波问题后，仍优于传统迭代方法。 弹性动力学中的剪切波分量连标准多重网格平滑子都会失效，此前针对声波方程的复移位Laplacian预条件器尚未成功推广到弹性情形。 在均匀半空间的Lamb问题和非均匀半空间两个算例上，同一个网络所需的GMRES迭代次数约为ILU(1)的一半。
启示与展望
演示范围限于二维有限差分离散的非对称质量双黑洞一阶度规扰动方程，以及二维轴对称弹性波算例；训练在固定分辨率、约19万个未知场值上进行，推理在笔记本电脑CPU上约需2秒。
神经预条件器是局部构造，只交换邻近网格点信息，因此不能像多重网格那样处理大尺度模式，迭代次数仍随分辨率增长；低频情形下推理开销占总墙钟时间的比例不可忽略，优势随之收窄。