MetaColloc：基于元学习基函数的无优化偏微分方程求解
人工智能
2026-05-13 v1
摘要
使用机器学习求解偏微分方程 (PDE) 通常需要为每个新方程训练新的神经网络。这一优化过程缓慢。我们提出 MetaColloc。它是一个无优化且无数据集成的框架，完全消除了这一瓶颈。我们将基函数发现与求解过程分离。我们在多样的高斯随机场上对双分支神经网络进行 meta 训练。这一离线过程创建了一个通用的神经基函数字典。在测试时，我们冻结网络。通过组装 collocation 矩阵来求解 PDE。我们通过单一步骤的线性最小二乘来获得解答。对于非线性 PDE，我们应用 Newton-Raphson 方法以实现快速的二次收敛。我们的实验覆盖六个二维和三维 PDE，显示出显著的改进。MetaColloc 在光滑和非线性问题上达到业界最佳准确度。它还将测试时间计算降低了几个数量级。最后，我们提供了详细的频率扫描分析。这一分析揭示了函数近似与算子稳定性在极高频率下的关键不匹配。这一深刻发现为未来的算子感知 meta 学习开辟了明确的路径。
引用
@article{arxiv.2605.12366,
title = {Classifier Context Rot: Monitor Performance Degrades with Context Length},
author = {Sam Martin and Fabien Roger},
journal= {arXiv preprint arXiv:2605.12366},
year = {2026}
}