Data-Guided FVM-PINN: гибридный метод для моделирования мелкой воды на нейросетях
Стандартные физически-информированные нейронные сети (PINN) плохо подходят для уравнений мелкой воды (SWE): они не обеспечивают локальную консервативность, плохо работают с разрывами и не используют неструктурированные сетки, применяемые на практике. Новая работа на arXiv (2605.11001) предлагает заменить сильную форму остатка на дифференцируемую потерю на основе конечно-объёмного метода (FVM) с использованием сбалансированного решателя Роу.
Ключевое открытие: обучение FVM-PINN только на физике часто проваливается. Сеть схлопывается в тривиальное состояние с почти нулевым импульсом, которое хорошо удовлетворяет потере, но не соответствует реальному течению. Диагностика ландшафта потерь показала, что значение потери при нулевом импульсе всего в 7 раз больше, чем у обученного решения — это мелкая ловушка для оптимизатора.
Добавление даже разреженных данных кардинально меняет ситуацию. С данными разрыв между нулевым и целевым решением вырастает до 310 раз, что позволяет избежать коллапса. На тестовом примере «блок в канале» всего 200 случайных измерений скорости снизили ошибку L2 поля скорости в 22 раза по сравнению с чисто физическим обучением. Даже 50 измерений дали уменьшение в 7 раз.
Абляционный эксперимент показал, что вклад FVM-PINN-потери составляет около 23% снижения ошибки в режиме разреженных данных. При плотных эталонных данных вклад нейтрален. На реальном участке реки Саванна (1306 ячеек, 3600 секунд моделирования, пять зон Мэннинга) метод построил точный суррогат по данным SRH-2D, а декомпозиция временных окон монотонно снижала ошибку за счёт последовательной передачи начальных условий.
