近日，华为AI4SCI Lab联合北京大学北京国际数学研究中心教授、北京大学国际机器学习研究中心副主任董彬教授团队，在昇腾AI处理器的强大算力支持下，基于全场景AI框架昇思MindSpore推出了一维含时偏微分方程通用模型PDEformer-1。该成果在昇思人工智能框架峰会2024上首次发布亮相。
在包含三百万条不同形式的一维偏微分方程（PDE）数据的广泛预训练后，PDEformer-1模型在训练数据分布内的Zero-shot预测精度，已超越那些仅针对特定方程进行精细训练的专家模型，如FNO和DeepONet。值得一提的是，在面对训练集之外的数据分布时，PDEformer-1更展现出卓越的小样本学习能力，能够凭借少量样本迅速适应并泛化至新的方程，并能够很好地支撑下游任务（如各类反问题）。为了促进学术交流和工业应用，代码及模型参数已经在昇思MindSpore社区开源（链接附在文末），同时相关论文已经被ICLR workshop on AI4DifferentialEquations in Science录用。
偏微分方程基础模型PDEformer-1，旨在实现不同PDE的通用求解
偏微分方程（PDE）与众多物理现象及工程应用紧密相连，涵盖机翼设计、电磁场模拟、应力分析等广泛领域。在这些实际应用中，PDE的求解往往需要反复进行。PDE数值求解领域当前可分为传统的数值求解方法与AI求解方法两大类别。无论何种方法，面对复杂多变的实际场景，都没有较强的通用性，需要耗费大量的人力和算力来适应新的场景。
华为AI4SCI Lab与北京大学董彬教授团队携手，基于全场景AI框架昇思MindSpore共同提出了PDEformer-1模型，这是一种创新的数据驱动方法。PDEformer-1的核心在于将不同PDE的符号信息转换为多样化的计算图表示形式，然后模型采用Graph Transformer来整合图中的符号和数值信息，最后模型使用隐式神经表示（INR）方案来表达方程各分量的解。值得一提的是，PDEformer-1的构架可以更加灵活的拓展到2D和3D，可实现1D、2D、3D的联合训练。
在预训练阶段，PDEformer-1模型在由300万个样本构成的训练集上取得了0.0084的相对误差表现，而在测试数据集的相对误差为0.0133。下图展示了预训练后的PDEformer-1在测试数据集上的预测结果，该模型在不同PDE问题的求解上均展现出了高度的准确性。
为了评估预训练后的PDEformer-1在正问题求解方面的性能，研究团队选用了业界标准的PDEBench数据集进行测试，并将所得结果与针对特定PDE设计的专家模型（如FNO和DeepONet）进行了详尽比较。如表1（左）所示，在方程系数处于预训练数据集系数分布范围内（即In-Distribution）的情况下，PDEformer-1展现出了卓越的Zero-shot推理性能，其精度超越了专家模型。表1（右）则展示了Out-of-Distribution (OoD)的结果，PDEformer-1在特定PDEBench数据集上进行微调后（后缀为Finetune）可以达到最低的相对误差。
为了对比微调PDEformer-1与训练专家模型在效率上的差异，研究团队针对PDEformer-1在PDEBench数据集上的OoD情况（即Advection方程，β=1并且仅使用100个训练样本）进行了深入分析。如图3所示，PDEformer-1在微调过程中仅需100次迭代即可达到较高精度。相较之下，从零开始训练的FNO模型则需要数千次迭代才能收敛，且其测试误差也更高。这一对比结果充分展现了PDEformer-1在OoD情况下的快速适应能力和高效性。
PDEformer-1不仅在正问题求解中表现出色，而且也能有效应用于反问题的求解。作为正问题算子的代理模型，它可用于常数系数反演、源项反演以及波方程速度场反演等多种任务，展现出其强大的通用性和实用性。
图4展示了研究团队将粒子群优化算法与PDEformer-1模型相结合，成功应用于常数系数反演任务。图中左侧，Reference代表真实方程解，Noisy为含噪声的方程解，而PDEformer-1实际可获得的观测只有含噪声解的一小部分（如Observed所示）。散点图直观展示了反演得到的方程系数与真实系数之间的高度吻合，几乎所有散点都紧密分布在y=x线上，充分证明了该方法的准确性和有效性。
预训练后的PDEformer-1还可应对更具挑战性的反问题，如源项反演任务。研究团队将源项（即空间依赖的函数）作为待优化向量输入PDEformer-1，并运用梯度下降法进行优化，使模型输出与不完整观测数据吻合。图5展示了PDEformer-1在不同噪声水平下的反演结果，即便在高噪声干扰下，其反演结果与实际源项的偏差依然极小。这一结果充分证明了PDEformer-1在解决复杂反问题时的卓越表现和鲁棒性。
PDEformer-1在求解PDE正问题与反问题上展现了卓越的灵活性和效率。在PDEBench数据集与专家模型的对比中，PDEformer-1不仅在Zero-shot预测任务中超越了专家模型，更在小样本学习及新任务适应方面凸显出显著优势。同时，在处理如常数系数反演、源项反演等复杂挑战性反问题时，该模型亦展现出高精度和实用性，充分印证了其强大的求解能力。
昇腾AI基础软硬件平台、昇思MindSpore AI框架，支持PDE基础模型探索
依托昇思MindSpore框架的分布式并行能力，以及64块昇腾NPU的强大算力支撑，参数量达到58M的PDEformer-1模型在包含三百万样本的庞大数据集上进行预训练，仅需短短3天即可完成。这一高效表现得益于昇思MindSpore在昇腾AI基础软硬件平台与昇腾CANN的深度集成，通过深度协同优化的高性能算子库，实现了硬件算力的最大化释放。
为了将该PDE基础模型应用于真实场景，研究团队将致力于提升其训练效率，使其能够解决二维、三维乃至更高维度的方程，并研究如何同时利用这些不同维度的数据进行训练。未来不久，研究团队将陆续推出针对二维方程的PDEformer-2、针对三维方程的PDEformer-3，以及融合了不同维度方程的PDEformer。同时，研究团队将扩大考察的方程类型范围，并深入探索更多种类的下游任务。除了已初步研究的反问题，未来还将把PDEformer应用于优化设计、控制、不确定性量化等更广泛的领域。PDEformer能够针对任意类型的PDE，在无网格情况下迅速给出精度可接受的方程解，这让它有望解决传统PDE数值求解方法中编程困难、高计算资源消耗的问题，为所有类型PDE的数值求解提供一种新的范式。
了解更多可查看论文：
相关链接：