UniPINN：面向多任务学习的统一PINN框架用于多种纳维-斯托克斯方程
计算机视觉与模式识别
2026-03-12 v1 人工智能
摘要
物理信息神经网络 (PINN) 在求解不可压纳维-斯托克斯方程方面显示出巨大的潜力，但现有方法主要针对单一流场场景进行设计。当扩展到多流场场景时，这些方法面临三个关键挑战：(1) 在同时捕捉共享物理原理和流场特定特征方面困难; (2) 易受到任务间负迁移的影响，导致预测精度下降; (3) 由于异构流场中损失幅值差异大，训练动力学不稳定。为解决这些限制，我们提出 UniPINN，一个统一的多流场 PINN 框架，集成三个互补组件：共享-专用架构，用于解耦通用物理规律和流场特征; 跨流注意力机制，用于选择性强化相关模式同时抑制任务不相关的干扰; 动态权重分配策略，用于自适应平衡损失贡献以稳定多目标优化。在三个经典流场上的大量实验表明，UniPINN 有效实现了多流场学习，实现了卓越的预测精度和跨异构 regime 的均衡性能，成功缓解了负迁移。本文的源代码将在 https://github.com/Event-AHU/OpenFusion 发布。
引用
@article{arxiv.2603.10466,
title = {UniPINN: A Unified PINN Framework for Multi-task Learning of Diverse Navier-Stokes Equations},
author = {Dengdi Sun and Jie Chen and Xiao Wang and Jin Tang},
journal= {arXiv preprint arXiv:2603.10466},
year = {2026}
}