能量不再只靠罚项约束：EDP-PI-DOSnet把耗散结构写进网络，长时预测无需反复重训
核心概要
EDP-PI-DOSnet 把经典能量稳定格式嵌入物理信息算子分裂网络，使学习到的离散算子满足离散能量耗散律。此前的 PI-DOSnet 不保证学习到的线性算子对称负半定，预测中能量可能上升，长时外推还需两三轮重训。在 Allen–Cahn 方程上，EDP-PI-DOSnet 的两种格式在全部观测时刻保持修正能量不增，并在不重训的情况下给出更小的长时预测误差。
深度剖析
新网络在结构上保证离散能量耗散，而不是靠损失函数里的能量罚项去逼近这一性质。 原始 PI-DOSnet 的学习线性算子不保证对称负半定，其算子分裂也不保证能量耗散，预测中相邻时刻能量可能上升。 在 Allen–Cahn 方程上，EDP-PI-DOSnet 与二阶中心差分的学习算子特征值都落在非正实轴上，而 PI-DOSnet 及其罚项变体的特征值散布在左半复平面。
做法是给卷积核加约束，让学到的线性算子等价于对称负半定矩阵，再把半隐式时间格式搬进每个时间块。 约束借助循环填充下卷积等价于循环矩阵这一事实，用 Gershgorin 圆盘定理的推论把谱压到非正实轴。 网络按 Crank–Nicolson、SAV/CN 与 R-DVD-1 三种格式构造，在 Allen–Cahn 方程与守恒 Allen–Cahn–Navier–Stokes 两相流算例上训练与递归预测。
长时预测不必重训，这是结构保证带来的直接效果。 原始 PI-DOSnet 在训练区间上训练后外推到更长区间，通常需要两到三轮重训才能达到目标精度。 采用每步推进一个时间单位的大步长推理，EDP-PI-DOSnet 的 R-DVD-1 与 SAV/CN 两个变体误差曲线几乎重合，在给定时刻的预测误差约为同一量级，且只训练一次。
启示与展望
演示范围是一维 Allen–Cahn 方程与周期域上的守恒 Allen–Cahn–Navier–Stokes 两相流算例，参考解分别由 Chebfun 与相应参考格式给出；网络在训练区间上训练后递归外推，用于检验长时行为。
网络保证的是修正能量的耗散，修正能量与原能量并不必然相同，因此原能量在每个时间步的单调下降并未得到理论保证；可学习外推策略使原能量演化更平滑，但严格单调性同样未被证明。