# 偏微分方程求解

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。

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。

从采样解数据反推偏微分方程，需要专家完成方程发现、系数估计和数值求解器配置。RSI-PDEbench 把这一流程做成 1001 个案例、42 个方程模板的基准，分无噪声、50% 高斯噪声和未见模板加偏移系数三种设定；配套的 RSI-PDE 智能体用残差筛出候选方程、用相对反馈修正系数与求解器，并以验证门保留改进。四个前沿模型上，其平均通过率相对单次运行基线提升 106.5%–181.9%，相对原生智能体框架提升 3.0%–19.6%。

从采样解数据反推偏微分方程，需要专家完成方程发现、系数估计和数值求解器配置。RSI-PDEbench 把这一流程做成 1001 个案例、42 个方程模板的基准，分无噪声、50% 高斯噪声和未见模板加偏移系数三种设定；配套的 RSI-PDE 智能体用残差筛出候选方程、用相对反馈修正系数与求解器，并以验证门保留改进。四个前沿模型上，其平均通过率相对单次运行基线提升 106.5%–181.9%，相对原生智能体框架提升 3.0%–19.6%。

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。

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。

PDE求解器的自动修复改用离散扩散语言模型：不再从左到右重写整份代码，而是只把出错代码段重新遮住、在左右上下文都在的情况下补全。在PDEBench的五个方程族上，同一检查点下局部补全把平均Pass@32从0.4938提到0.5063，单次修复延迟从64.85秒降到0.748秒；初始生成仍慢于同规模自回归模型，端到端最坏情况平均成本为55.5秒。

PDE求解器的自动修复改用离散扩散语言模型：不再从左到右重写整份代码，而是只把出错代码段重新遮住、在左右上下文都在的情况下补全。在PDEBench的五个方程族上，同一检查点下局部补全把平均Pass@32从0.4938提到0.5063，单次修复延迟从64.85秒降到0.748秒；初始生成仍慢于同规模自回归模型，端到端最坏情况平均成本为55.5秒。

GLOBE把三维束流—场状态压进紧凑潜空间，用受控神经算子学主导演化、用生成模型补细尺度残差，并在解码后按物理区间施加无参数约束算子。在束团输运与等离子体尾场加速两个高分辨率三维基准上，相对误差比最强基线DPOT低9%和13%，中频段谱误差低54%和20%，同时把数小时的粒子模拟缩短到每次推演约一分钟。

GLOBE把三维束流—场状态压进紧凑潜空间，用受控神经算子学主导演化、用生成模型补细尺度残差，并在解码后按物理区间施加无参数约束算子。在束团输运与等离子体尾场加速两个高分辨率三维基准上，相对误差比最强基线DPOT低9%和13%，中频段谱误差低54%和20%，同时把数小时的粒子模拟缩短到每次推演约一分钟。