PINN与神经算子，真能颠覆传统偏微分求解器吗？

近年来，科学机器学习（SciML）领域异常火爆。从物理信息神经网络（PINN）到 DeepONet，再到傅里叶神经算子（FNO），AI 求解偏微分方程（PDE）似乎正在掀起一场数值计算革命。

但这场狂欢中存在一个常被忽视的问题：在大量测试中，传统数值求解器只被当成了生成训练数据的工具人，从未作为真正的竞争对手登台打擂。

为了验证 AI 求解器的真实实力，开源项目 pde-operator-experiment 设计了一组硬碰硬的基准测试：让 PINN、DeepONet、FNO 与拥有解析解和传统有限差分法（Finite-Difference Solver）在同一赛道同台竞技。

实验结果给火热的 AI for Science 泼了一盆冷水。

讨论模型表现前，必须先厘清 PINN 与神经算子的本质差异。这两者根本不是在解决同一个问题：

PINN（物理信息神经网络）：学习的是特定参数下的单一解，映射关系为 $x \mapsto u(x)$。一旦物理参数或边界条件发生变化，整个网络必须从头重新训练。
DeepONet 与 FNO（神经算子）：学习的是解算子，映射关系为 $a \mapsto u$。它们试图学习一整套函数族到另一套函数族的映射，理论上训练完成后，输入新的系数函数就能毫秒级输出新解。

业内推崇神经算子的核心逻辑在于**“成本摊薄”**：虽然离线训练代价极高，但只要下游推理查询的次数足够多，单次推理的极速优势就能抹平前期训练成本。

但这套逻辑在实际工程中真的成立吗？

测试选择了一维含源项的典型偏微分方程，该方程拥有精确解析解。测试核心原则只有一个：有限差分求解器是正面对手，必须在精度、计算耗时、网格收敛性上与 AI 模型正面交锋。

测试所有代码均在普通双核 CPU 上跑通，主测试仅耗时 64 分钟，所有数据均可完全复现。

实验得出了几个残酷的量化事实：

在一维或低维简单物理场中，经典数值解法（如有限差分法）的求解时间通常在毫秒甚至微秒级。求解 1000 个不同工况，有限差分法甚至只需几秒钟。

神经算子（DeepONet/FNO）为了获得泛化能力，需要数千次传统求解器生成的样本进行长时间训练。当传统方法单次求解极快时，你可能需要执行数十万次甚至上百万次新工况推理，才能在总耗时上“追平”训练模型的算力投入。

传统数值解法拥有极其清晰的网格收敛阶数（如二阶、四阶收敛），加密网格即可稳定提升精度。而无论是 PINN 的优化瓶颈，还是 FNO 的频域截断误差，在绝对误差达到 $10^{-4}$ 以下时，训练难度呈指数级上升。

这项对照实验并不是全盘否定科学机器学习，而是帮我们看清各类工具的真实边界：

不要用 AI 去卷低维、规则网格的标准前向问题：在一维扩散、规则流道等传统数值方法已经极为成熟的领域，用神经网络做正演求解纯属杀鸡用牛刀，且又慢又准度欠佳。
PINN 的真正价值在反问题与不完全物理场：当边界条件缺失、材料参数未知，需要从稀疏实验数据中反推物理场时，PINN 的无网格特性和可微分损失才是杀手锏。
神经算子的价值在高维与极端复杂场景：只有在三维复杂湍流、气象大模型预报、高维贝叶斯反演等传统单次仿真耗时数小时乃至数天的场景下，神经算子的离线预训练成本才具备被摊薄的商业与计算价值。

脱离传统数值算法设立虚假靶子，只会制造虚假的学术繁荣。看清传统数值计算的深厚底蕴，科学机器学习才能找到真正无可替代的工程落脚点。