物理信息神经网络换一套坐标再求解：CTPINN把陡峭梯度摊平，边界层问题不再失准
核心概要
物理信息神经网络（PINN）在解带陡峭梯度的偏微分方程时容易失准，原因之一是网络难以表示高频变化。CTPINN在求解网络之外加入可学习的坐标变换，把物理域映射到解近似为仿射的计算域，使梯度在计算坐标下分布更均匀。显式构造在边界层问题上恢复了精度，隐式构造作为插件接入PirateNet、SPINN和QRPINN后，在多个基准方程上提升了精度。
深度剖析
求解偏微分方程的神经网络多了一条降低问题难度的路径：不再只改损失函数、网络结构或采样点，而是先把解本身在坐标变换下变简单，再让网络去学。 此前PINN的改进集中在损失函数设计、网络架构、训练策略和自适应采样上，这些工作都在提升网络表示解或优化逼近的能力，而降低解本身复杂度这一方向在PINN文献中关注不足。 在一维边界层问题上，普通PINN在参数很小时无法给出准确预测，而CTPINN在固定和自适应两种变换参数下都能求解该问题；二维边界层问题中所有CTPINN变体都优于PINN。
坐标变换有两种落地方式：一种由已知解的行为写出显式公式，另一种用可逆神经网络表示，二者都与求解网络联合训练。 显式构造沿用网格生成中的拉伸方法，用majorant函数（解的梯度的一个可积上界）构造变换，使变换后解的导数有界；隐式构造则面向无法写出显式变换的方程。 隐式构造以两层MLP实现，通过谱归一化约束Lipschitz常数保证可逆，并作为插件接入PirateNet、SPINN和QRPINN，在Allen-Cahn、Korteweg-De Vries、顶盖驱动方腔流、Helmholtz、Klein-Gordon、Navier-Stokes以及高维Sine-Gordon等基准上均提升了对应基线的精度。
变换模块的代价可控：显式构造只多一次前向计算，隐式构造增加适度训练时间但换来明确的精度收益。 对照实验显示，单纯把网络规模加大到与加入变换模块相当的参数量，并不能得到同样的精度提升。 全部实验在单块NVIDIA A40 GPU上用JAX完成，报告了可训练参数量和总训练墙钟时间，低维到高维问题上额外时间相对基线保持适度。
启示与展望
已展示的范围是：一维和二维边界层问题、二维Poisson方程、JAX-PI基准中的Allen-Cahn、Korteweg-De Vries与顶盖驱动方腔流三个方程、SPINN基准中的Helmholtz、Klein-Gordon与Navier-Stokes三个三维方程，以及不同维度的高维Sine-Gordon方程；显式构造依赖对解行为的先验知识，隐式构造以两层MLP实现并接入现有PINN模型。作者提出的下一步是设计更合适的坐标变换函数，并把不规则域映射到规则域的同时让解梯度更均匀。
作者指出两种构造都不完美：显式变换依赖对问题的先验知识，隐式构造缺少恰当的归一化和理论保证；此外自适应坐标变换可能与自适应采样策略冲突，因为二者都在训练中改变解的分布。