PINNs中梯度流收敛与PDE阶数/维度的逆关系及变量分裂策略SZ03

论文结构化摘要：PINNs中梯度流收敛与PDE阶数/维度的逆关系及变量分裂策略

1. 核心研究问题 (PICO/T)

• P (问题/群体): 物理信息神经网络（PINNs）在处理高阶PDE和高维PDE时经常出现收敛困难、训练不稳定的病态行为。尽管已有大量实证观察，但缺乏严格的理论解释。核心问题是：PINNs的优化困难与PDE的阶数、维度以及激活函数的幂次之间究竟存在怎样的量化关系？

• I (干预/新方法):

  1. 理论分析框架：将Gao等人[25]对二阶PDE的分析推广到一般k阶线性PDE，并使用ReLU^p激活函数（p ≥ k+1），分析其梯度流（Gradient Flow）的收敛性。
  2. 变量分裂（Variable Splitting）策略：为缓解高阶带来的困难，将高阶PDE通过引入辅助变量（表示中间导数）转化为一个等价的一阶或低阶PDE系统（称为VS-PINNs），从而降低损失函数中出现的微分阶数。

• C (比较对象):

  • 不同PDE阶数（k）和不同激活函数幂次（p）下的