物理信息神经网络(PINN)全景综述:从数学原理、失效边界到工程选型的 2026 实践指南

新
许可证: 本站原创 · 更新于 2026-11-08
我的评分

导读:为什么需要这篇综述

物理信息神经网络(PINN)是科学机器学习里被引用最多、同时也最容易被误用的方法之一。自 2019 年 Raissi、Perdikaris 与 Karniadakis 提出这一框架以来,相关论文数以千计,成熟框架有若干套,而可核验的工业部署却少得多。文献体量与实际落地体量之间的落差,本身就是对实践者最有价值的信号:一个方法可以在理论上优雅、用三十行 PyTorch 就能复现,却仍然不是某项工程任务的合适工具。

本文按「决策文档」来写,定位并非「入门教程」。它不预设读者打算使用 PINN,只预设读者手上有一个物理问题、一份算力预算、一定数量(或可生成)的数据,以及一个需要可辩护结论的交付要求。全文的核心判断是:PINN、神经算子、可微求解器与传统数值求解器对应的是不同的契约,围绕 PINN 的失望,主要源于契约错配,并不在于实现缺陷。一旦把契约明确写出来,方法选择就近乎是机械性的。

全文分十节。第 1 至 3 节建立数学骨架与不同范式之间的分工;第 4、5 节解释 PINN 训练为什么会失败,以及 2026 年的研究如何应对;第 6 至 8 节给出选型决策树、工具链地图与工程落地清单;第 9 节把本文与本站已索引的具体资源对应起来,让读者能从一般论证直接走到某个求解器、基准或案例;第 10 节记录公开口径中互相冲突的说法,并逐项说明本文如何裁定。

关于证据口径,需要先行说明。凡引用数字,均交代出处;来自单一项目等算力评测的数字标为方向性参考,不作为普遍规律;来自厂商文档的口径明确标注为厂商资料。这一点很重要,因为 PINN 文献里有大量在少数标准方程上自报的改进幅度,把这类数字直接搬到工业 CFD 或结构问题上通常缺乏依据。

一、PINN 到底在优化什么:从 PDE 残差到复合损失

把一个偏微分方程写成残差形式:微分算子作用在未知场上,配上初始条件、边界条件,以及可能存在的稀疏观测。PINN 用一个以坐标为输入、输出场值的神经网络替代未知场;网络输出对输入的导数由自动微分求出,代入控制方程,于是残差可以在任意配点上求值,完全不需要网格。

训练目标是一个加权和:配点上的 PDE 残差平方、边界与初始点上的失配平方、以及与已有观测的失配平方。这个复合损失既是方法的定义性特征,也几乎是所有困难的来源。式中各项是性质完全不同的数学对象——边界与初始条件是函数值上的点约束,PDE 残差是作用在整个连续域上的微分算子,数据项则是对未知过程带噪声的采样。用标量权重把它们相加,等价于假设它们的梯度方向相容、量级可比,而这个假设经常不成立。

由此产生两个设计后果。其一,边界条件是软约束:网络可以在平均损失很低的同时,在局部区域违反边界条件,因为惩罚是按采样点平均的。其二,残差以强形式求值,网络需要被求导到方程所要求的阶数;高阶导数会放大高频噪声,使损失地形变得刚性。变分形式、弱形式与积分形式的残差是标准解法,因为它们把目标对齐到 Galerkin 或有限元的推理上,并降低了求导阶数。

这一构造的实践吸引力在于:不需要已标注的解场,控制方程本身提供监督。这让 PINN 在反问题、数据同化,以及「高保真仿真器不可用但控制律已知」的场景中很有价值。但也正因如此,它容易被引向普通正问题——而错配通常就从这里开始:对于单个正问题实例且已有可用求解器,一次离散求解在其离散精度内是精确的,并且往往在网络训练结束前就已完成。

二、三条技术路线的真实分工

把 PINN 与神经算子放在同一张排行榜上是常见做法,但这种比较在问题设定上就不成立:两者优化的对象不同,成本回收的时钟也不同。

PINN 解的是一个实例。 它拟合一套几何、一组边界条件、一个系数场;改动其中任何一项都要重新训练。其成本按实例计,监督来自方程,天然任务是反问题、参数辨识,以及「只有单个算例」的数据融合。

神经算子学的是函数空间之间的映射。 它在由求解器或实验生成的一批解上训练,训练完成后,一次前向传播就能把新的初始条件、系数场或源项映射到解场。傅里叶神经算子(FNO)在傅里叶空间参数化积分核,在结构化网格上高效,并具备一定的分辨率迁移能力;DeepONet 用分支/主干架构分别编码输入函数与查询位置,适合不规则几何与稀疏采样的输入;图/网格算子把全局混合推广到非结构离散。算子的成本被多次查询摊薄,因此当同一族问题需要被反复求值时——设计优化、不确定性量化、实时控制——它才变得划算。

第三条路线是近年在工业界日渐清晰的可微求解器。 保留传统离散并使其可微,网络只负责学习未被建模的部分,例如雷诺平均湍流闭合或亚格子尺度模型;守恒性与数值稳定性仍由求解器承担。这条混合路线绕开了纯 PINN 在守恒性与高雷诺数上的弱点,也是距离部署最短的一条。

还必须始终保留第四条基线:经典求解器本身。 有限体积、有限元、谱方法、格子玻尔兹曼等代码成熟、守恒、可预测。任何学习方法都应当在这个基线上比较「达到指定精度所需的墙钟时间」,并把生成训练数据的成本计在学习方法一侧。用算子推理时间对比 PINN 训练时间的比较,量的是两个不同的时钟,得不出任何架构结论。

2026 年一篇统一视角的 PDE 求解器综述把这一分歧形式化为「契约视角」:实例变化幅度、几何与离散是否改变、时间跨度、可用监督、部署时的有效性信号,这五条轴决定该用哪种方法。这一框架解释了一个长期现象——PINN 研究集中在数值条件与刚性多目标训练,算子研究集中在分布漂移、离散失配与几何泛化;它也能预判每种范式会在哪里无预警地失效。

三、五类失效模式及其机理

基线复合损失 PINN 的失败模式数量不多,且已被充分刻画。能认出症状,通常就足以选对干预手段。

收敛速率失衡。 神经正切核(NTK)分析表明,残差项对应核矩阵的特征值可能比边界/初始项高出若干个数量级。梯度下降优先沿大特征值方向更新,于是网络把残差压下去,却实际上忽略了让解唯一的边界条件。在一维高频 Poisson 问题上,标准 PINN 的相对 L2 误差被报告约为 24%,采用基于 NTK 的自适应加权后降到约 0.16%;一维波动方程的对应数字是 40% 以上与约 0.17%。动态损失平衡、学习率退火、以及带随机回看的相对损失平衡(ReLoBRaLo 一类)是对应的实践手段。

频谱偏差。 与其他神经网络一样,PINN 先学低频成分。边界层、陡峭界面与高波数结构会被延迟、抹平或混叠;强形式残差因为求导对高频加权,会进一步放大这一问题。傅里叶特征编码、多分辨率架构、在壁面与界面附近的自适应配点、以及弱形式残差都针对这一失效。评测时应当报告谱误差与界面附近的局部误差,不能只报全局均方误差。

时间依赖问题中的因果违反。 当整个时间域的残差点被同时最小化时,优化器可能在早期解尚未收敛之前就把晚期残差拟合好,得到一个在晚期「满足方程」但物理上无意义的解。按时间顺序加权的因果训练、以及分段时间推进是标准修复手段。典型症状是非定常算例在早期吻合、到晚期发散。

坍塌到平凡解。 在只有物理监督时,若边界项或数据项偏弱,零场本身就可能是低残差解。2026 年一项针对二维浅水方程有限体积信息神经网络的研究报告:在崎岖的损失地形上,纯物理模型会坍塌到物理上无意义的解,而即便只有 50 至 200 个稀疏测量也足以打破这种退化并显著改善精度。同样的模式也出现在无数据的 RANS 闭合工作中——网络收敛到零流。硬边界条件、提高边界权重、补充数据点、以及从更简单工况做延拓,是对应处置。

梯度冲突与量级失衡。 各损失项可能方向相反,也可能量级相差若干数量级,单一标量权重无法同时解决两类问题。2026 年的工作指出冲突是「依情形而定」的:方向性冲突需要架构层面的分离(如逐损失适配器),量级失衡用标量重加权就足够;同一工作以「先诊断、后干预」的路径,在 Klein-Gordon 一类困难问题上报告最高约 29 倍的改善。另一条互补路线把更新方向选择形式化为对偶锥中的 Chebyshev 中心问题,统一了若干已有平衡方法并给出收敛保证。

在这些之上还有两个横切问题。几何与边界可行性可能被静默违反:平均损失看起来健康,约束却以只有改变域形状才会暴露的方式被破坏。契约漂移下的可信度则是系统属性,需要校准、分布外检测、约束违反率统计,以及回退到求解器的通路,不能归因于网络自身的某个性质。

四、2026 年前沿:先诊断,再调参

近期文献里最具实质性的变化是方法论层面的。早期工作把损失加权当作待调的超参数,2026 年的研究越来越把它当作待做的诊断。在选优化器或权重调度之前,先问:主导问题是方向性冲突、量级失衡、强形式残差的刚性、局部复杂度采样不足,还是高阶自动微分的开销?每种诊断对应不同干预,用错一类就会白白消耗算力预算。

干预手段可归为五组,与前述五类失效一一对应。残差重构:用变分、弱形式或积分形式替代强形式目标。约束处理:从软惩罚转向通过满足约束的参数化、投影或物理嵌入的离散算子实现硬/半硬满足。表征:用傅里叶编码与多分辨率架构降低导数放大。优化:动态损失平衡、曲率感知与预条件方法、自然梯度变体、元学习更新规则。采样:把自适应配点当作实验设计,包含因果与对抗式采样策略。

另有几条活跃方向。域分解(含 XPINN 与自适应变体)把困难问题拆成子域,是训练在高雷诺数或大几何上坍塌时的常规应对。物理信息神经算子(PINO)在算子训练中加入 PDE 残差项,降低数据需求同时保留摊薄推理。贝叶斯与变分表述在稀疏或受污染观测下量化反问题的不确定性,近期工作还给出了椭圆型 PDE 的后验收缩保证。超网络与参数条件化 PINN 朝跨实例复用推进,构成通向混合路线的自然桥梁。与此同时,「什么算有效结果」的标准也在收紧:2026 年的一项分析指出,神经变分方法在离散层面可能是病态的,即便连续问题适定也会产生非唯一解,这提示应当改进损失表述,单纯加大训练量无法解决。

对实践者而言,有用的结论很短:PINN 的典型失败模式如今已有可诊断的机制解释,并分别对应成熟的标准干预手段。没有改变的是,这些干预给一个原本以简洁为卖点的方法不断叠加复杂度。当一个项目同时需要弱形式残差、硬约束、傅里叶特征、自适应采样、域分解与因果调度时,就该重新审视:可微求解器或数据驱动算子是否本来是更短的路径。

五、选型决策树:先回答三个问题

一套改编自已发表工程指引的采用测试,能在写下任何代码之前给出方向性结论。

问题一:目标是不是把观测与已知物理律融合? 若是,PINN 是候选;若目标是纯正问题、且方程与几何都有现成求解器,就用求解器——它的精度由离散精度界定,成本可预测,也不需要一轮训练。

问题二:目标量是光滑场、层流到转捩区间,还是平均量? 瞬时湍流场、激波、间断系数与尖锐移动界面,对普通 PINN 仍属不可达。等算力研究报告:在系数跳变的 Darcy 流与 RANS 翼型算例上,PINN 几乎学不动或不收敛,有时误差与直接预测零场相当。

问题三:是否存在独立验证手段? 参考解、解析解或留出观测是必需项。缺了它就无法证明可信度,项目不应启动。这一问最常被跳过,也正是大量 PINN 结果无法迁移的原因。

过了这三道门,决策就收敛为摊薄与外推两个量。若要对一族输入做大量查询、且能生成求解器数据,神经算子会回本:已发表的等算力工作报告,算子代理在相同训练算力下精度可达 PINN 的数十至数百倍,数据成本在很少几次查询后即摊平。若只有一个算例、稀疏传感器与已知方程,PINN 或经求解器的经典标定更合适。若几何在查询间变化且没有共享参数化,基于网格的图算子是自然选择。若只需要升力系数、峰值应力这类积分量,形状参数上的标量回归比场模型更简单也更准。

关于外推需要提醒一句:代理模型受其训练范围约束,PINN 与求解器则没有「训练范围」。任何会见到分布外参数、分辨率或几何的部署,都需要明确的分布外测试与回退到求解器的通路。

六、工具链与基准地图

软件生态分层清晰,选错层级是常见的精力浪费来源。

轻量研究库。 DeepXDE 是 PINN 与 DeepONet 的标准入口,API 高层、多后端、文档对研究友好,是复现论文结果最快的路径。NeuralPDE.jl 把 PINN 与算子方法带入 Julia SciML 生态,当周边工作流本就基于 Julia 时很关键。NeuralOperator 是聚焦 FNO 系列的 PyTorch 库。

可微仿真。 JAX-CFD 与 PhiFlow 提供可微流体求解器;NVIDIA Warp 与 Taichi 面向 GPU 加速的可微核与仿真。这些是混合路线的底座:求解器保持可微,网络只学闭合项或修正项。

平台级框架。 NVIDIA PhysicsNeMo(Modulus 的开源后继者)横跨物理信息网络、FNO 与自适应 FNO、网格图神经网络、扩散与 Transformer 代理,并提供 CFD、结构力学、电磁与气象的领域蓝图,面向多 GPU/多节点训练与数字孪生部署。它也相当庞大且以 NVIDIA GPU 为中心,用它写一个 DeepXDE 几行就能完成的小型 PINN 属于杀鸡用牛刀。更名是常见混淆源:引用 Modulus 的教程在概念上仍适用,但包名与导入路径已变。

经典基线。 OpenFOAM、SU2、FEniCS、PETSc、Clawpack、Dedalus、LAMMPS 仍是学习方法必须对照的参照系。本站同时索引它们与 AI 侧框架,目的正是让比较的两边能放在同一页上。

基准。 PDEBench 提供覆盖面广、带求解器参考数据的 PDE 问题集;The Well 提供多样的物理仿真时空数据集。基准只有在写明划分、分辨率、推演跨度与误差度量时才有用;在单个低分辨率 Burgers 算例上报告的相对 L2 误差,说明不了工业湍流流动的表现。

七、工程落地清单

以下顺序是一个 PINN 项目最小可复现工作流,刻意把便宜的检查放在昂贵训练之前。

  1. 无量纲化。 重标定变量,使输入、输出与残差项都处于量级 1 附近。相当一部分表面上的收敛失败其实是尺度失败。
  2. 先写下契约。 训练前明确几何、边界与初始条件、参数范围、所需精度、求解器基线与验证数据。
  3. 先建立基线。 跑通经典求解器并记录墙钟时间与误差,这是任何学习方法都必须在既定指标上超越的数字。
  4. 尽可能由构造强制边界。 硬约束参数化能消除一整类失效,并减少互相竞争的损失项数量。
  5. 有意识地选残差形式。 对刚性或高阶方程,优先变分/弱形式。
  6. 逐项记录损失。 每轮迭代分别记录残差、边界、初始与数据项,并归档训练历史;只看总损失曲线会把病态藏起来。
  7. Adam 打头、L-BFGS 收尾。 若第二阶段发散,应延长第一阶段并重新检查权重平衡,不宜盲目调低学习率。
  8. 先诊断、再上适配器。 先查梯度方向冲突与量级失衡,再决定用重加权还是架构分离。
  9. 存在局部结构或長时间跨度时,采用自适应或因果采样。
  10. 用留出数据与不变量验证。 检查守恒、边界满足度、谱误差与长时推演误差增长,不只报相对 L2。
  11. 定义回退条件。 写明在什么条件下由求解器给出口径答案、学习模型仅作辅助。

排障可以干净地映射到这份清单:场坍塌为均匀值表示平凡解,用硬边界、提高边界权重或补数据修复;速度场看着对而压力场错,表示压力不定(需在某点钉住压力、去均值后比较);边界层模糊表示频谱偏差(傅里叶特征 + 近壁加密配点);高雷诺数下突然坍塌表示容量不足或尺度不当(无量纲化、域分解、从低雷诺数解延拓);反演参数每次不同表示观测信息不足导致的非唯一(优化测点布局、加先验、报置信区间)。

八、评测:相对 L2 误差之外

用单个全局误差数字来声称一个物理信息模型可信,依据过于薄弱。2026 年的契约视角主张采用与部署信号对齐的指标:用谱误差暴露频率相关偏差,用界面与边界附近的局部误差暴露约束违反,用长时推演误差增长暴露累积漂移,用质量/动量/能量守恒这类任务级不变量检查物理一致性。约束违反率应当单独报告,因为软惩罚可能在平均值很漂亮的同时,把一小块区域留成严重违反。

还有两项检查在实践中很关键。第一是分布外那一行:在训练集之外的参数、几何、分辨率与推演跨度上评测并报告退化幅度;插值很强、轻微漂移即崩的方法不可部署。第二是摊薄计算:把生成训练数据与训练的成本计入,算出学习模型相对求解器变便宜所需的查询次数。已发表的等算力工作给出低至个位数的回本点,但那些数字来自小型纯 CPU 预算,应当按实际硬件与求解器重新计算。

可复现性属于评测的一部分:记录配点策略、损失权重及自适应调度、优化器阶段、网络架构、随机种子,以及基线所用的求解器版本。在受监管行业,还需补上独立验证集、模型版本管理、不确定性估计与有文档的人工复核环节。物理方程出现在损失函数里,本身并不构成输出物理正确的证据。

九、与本站资源网络的衔接

本文是「长文层」,底下是一整套具体资源的索引。PINN 入门合集 把开山论文、主流求解器与代表案例收成一条阅读路径;神经算子 与 代理模型与降阶 两个合集覆盖第 2 节比较的算子一侧;数值方法与求解器 与 不确定性与贝叶斯反演 分别对应经典基线与贝叶斯表述;物理 AI 学习路径 把它们串成整体。

工具侧,DeepXDE、PhysicsNeMo、NeuralOperator、JAX-CFD、PhiFlow、OpenFOAM 与 FEniCS 给出第 6 节各项的官方入口与简述。案例侧,芯片热管理、电池热、航空 CFD、血流动力学 与 流动控制 展示这些方法落到真实工程问题的形态。基准侧,PDEBench 与 The Well 是第 8 节的起点。下方的参考资料则指向第 1 至 5 节背后的一手文献。

这三层各有明确分工:长文层给出可辩护的判断框架与边界条件,索引层把每个方法族、工具与案例落到可打开的条目,一手来源层让论断可回溯到论文与官方文档。读者若只要选型结论,读第 5 节的决策树即可;若要复现某项训练技巧,可沿第 6、7 节的工具与清单进入对应条目;若要核验某类失效机理,则按第 3 节的分类回到参考资料里的原始文献。站内条目会随新资源持续更新,长文口径以本文标注的更新日期为准;两者出现差异时,以一手来源为准,并在下一次修订中对齐。

设计意图是:读者不必对任何一般性论断照单全收——每个方法族、每个工具、每类失效模式都有可打开、可比较、可追到一手来源的索引条目。

随着内容线扩展,本文不再孤立:神经算子选型全景指南把函数空间契约与架构族谱展开成可执行的选型树;传统求解器的成本边界把摊销、回本查询次数与混合部署算成可复核的公式。三篇合起来覆盖「能否训练、是否适配数据、是否偿还成本」三问;从其中任意一篇进入时,按这个顺序补齐另外两问,比单篇结论更可靠。

本次长文升级把三条判断落到了可打开的条目详情:OpenFOAM 给出语料生成与验证基线的算例结构,NeuralOperator 给出 FNO 与 TFNO 的落地实现,电池包温度场案例 展示物理信息损失在热设计里的真实形态。这三篇条目均已扩成双语长文,并与本页、神经算子选型全景指南 及传统求解器的成本边界 互相链接。长文层给判断框架,条目层给可复现的操作细节;两层出现差异时,以条目中标注日期的一手来源为准。

十、口径差异与裁定

1. PINN 能否替代传统求解器做正问题? 口径 A:早期宣传材料把 PINN 描述为无网格的通用求解器。口径 B:等算力研究指出,对已有求解器的单个正问题实例,离散求解在毫秒到数十秒内完成,训练则以分钟计,且 PINN 在激波、系数跳变与湍流问题上失效。裁定:本文记录 PINN 在数据融合、反问题与稀疏传感同化中的互补定位,并把经典求解器作为单实例正问题的基线。来源等级:同行评议文献与项目自测基准并存。

2. 神经算子是否比 PINN 快? 口径 A:大量基准文章用 FNO 推理时间对比 PINN 训练时间,报告大幅加速。口径 B:两个数字量的是不同时钟(算子推理 vs 逐实例训练),该比较不决定架构适配性。裁定:改用摊薄成本与回本查询次数表述,并注明每个数字量的是哪个时钟。来源等级:技术博客与同行评议综述并存。

3. Modulus 还是 PhysicsNeMo? 口径 A:大量教程与论文仍称 NVIDIA Modulus。口径 B:框架已更名 PhysicsNeMo,最后一个 nvidia-modulus 版本为 2024 年 11 月的 0.9.0,2026 年的 2.x 版本重组了 API,包名与导入分别变为 nvidia-physicsnemo 与 physicsnemo。裁定:当前工作使用 PhysicsNeMo,注明 Modulus 时期资料在概念上仍适用,并因 2.x API 变动而锁定版本。来源等级:厂商文档与二手教程并存。

4. PINN 是否真的不需要数据? 口径 A:定义性主张是零标注数据,由方程提供监督。口径 B:2026 年研究报告纯物理表述在浅水方程与 RANS 问题上坍塌到平凡解,少量稀疏测量即可打破退化。裁定:记录纯物理训练在原理上成立、在实践中脆弱,并把稀疏观测引导视为标准设计要素,不作为例外处理。来源等级:2019 年与 2026 年同行评议文献并存,按问题类别调和。

5. 单一项目基准数字应当采信到什么程度? 口径 A:已发表的等算力表格给出 PINN、FNO、图网络与 MLP 代理的精确误差百分比与加速比。口径 B:这些数字来自某项目的小型纯 CPU 预算,作者本人也说明其仅为方向性参考,不代表各方法的最优结果。裁定:仅作为第 5 节决策树的方向性证据引用,任何选型或采购决策前都需本地重算。来源等级:项目自测基准,自报。

以上共识别并裁定 5 项冲突。

参考资料

  1. Raissi M.、Perdikaris P.、Karniadakis G.E.,《Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations》,Journal of Computational Physics 378 (2019) 686–707。
  2. Wang S.、Teng Y.、Perdikaris P.,《Understanding and mitigating gradient flow pathologies in physics-informed neural networks》,SIAM Journal on Scientific Computing 43 (2021) A3055–A3081。
  3. Wang S.、Yu X.、Perdikaris P.,《When and why PINNs fail to train: A neural tangent kernel perspective》,Journal of Computational Physics 449 (2022) 110768。
  4. Karniadakis G.E. 等,《Physics-informed machine learning》,Nature Reviews Physics 3 (2021) 422–440。
  5. Li Z. 等,《Fourier Neural Operator for Parametric Partial Differential Equations》,ICLR 2021。
  6. Lu L. 等,《Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators》,Nature Machine Intelligence 3 (2021) 218–229。
  7. Krishnapriyan A. 等,《Characterizing possible failure modes in physics-informed neural networks》,NeurIPS 2021。
  8. Wang S.、Sankaran S.、Perdikaris P.,《Respecting causality for training physics-informed neural networks》,Computer Methods in Applied Mechanics and Engineering 404 (2023) 115813。
  9. Cuomo S. 等,《Scientific machine learning through physics-informed neural networks: Where we are and what is next》,Journal of Scientific Computing 92 (2022) 88。
  10. Takamoto M. 等,《PDEBench: An Extensive Benchmark for Scientific Machine Learning》,NeurIPS 2022 Datasets and Benchmarks Track。
  11. 《Learning PDE Solvers with Physics and Data: A Unifying View of Physics-Informed Neural Networks and Neural Operators》,arXiv:2601.14517 (2026)。
  12. 2026 年 PINN 研究进展汇总:逐损失适配器与梯度冲突、Chebyshev 中心更新方向、有限体积信息网络与平凡解坍塌、稀疏数据引导、贝叶斯 PINN 后验收缩 (2026)。
  13. NVIDIA PhysicsNeMo 官方文档与 GitHub 仓库 (2026):框架范围、架构、领域蓝图,以及 Modulus 到 PhysicsNeMo 的更名说明。
  14. 《Choosing a method: PINN, neural operator, graph network or the solver》,PINNeAPPle Labs 等算力基准 experiment 09 (2026):固定算力预算下的方向性比较。

本报告基于公开文献与官方文档整理,仅供参考,不构成工程或投资建议。资料截至 2026 年 11 月 8 日。文中引自单一项目等算力研究的基准数字为方向性参考,且来自小型纯 CPU 预算;厂商文档描述框架范围,不代表独立验证。关于求解器替代、速度比较、框架命名、零数据训练与基准精度的公开口径存在多处冲突(详见「口径差异与裁定」),相关不确定性已在正文标示,请以前述一手论文、官方文档与本地求解器基线复核为准。

标签: