Disentangled Latent Dynamics Manifold Fusion for Solving Parameterized PDEs

📄 arXiv: 2603.12676 📥 PDF

作者: Zhangyong Liang, Huanhuan Gao

分类: cs.LG

发布日期: 2026-07-05

💡 一句话要点

提出DLDMF以解决参数化PDEs的泛化与外推问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 偏微分方程 神经网络 动态流形 参数化建模 时间外推 物理信息驱动 深度学习

📋 核心要点

  1. 现有的神经代理模型在处理不同PDE参数时，泛化能力差且优化不稳定，尤其在时间外推时问题更加严重。
  2. 本文提出的DLDMF框架通过解耦空间、时间和参数，避免了不稳定的自动解码，直接将参数映射到潜在嵌入。
  3. 实验结果显示，DLDMF在多个基准问题上均优于现有最先进方法，表现出更好的准确性和参数泛化能力。

📝 摘要（中文）

在参数化偏微分方程（PDEs）的神经代理模型中，跨不同PDE参数的泛化仍然面临挑战，尤其是在预测超出训练时间范围时。现有方法通常无法同时处理参数泛化和时间外推。为此，本文提出了一种物理信息驱动的框架——解耦潜在动态流形融合（DLDMF），该框架明确分离了空间、时间和参数。DLDMF通过前馈网络将PDE参数直接映射到连续潜在嵌入，进而初始化和调节潜在状态，其演变由参数条件的神经常微分方程（Neural ODE）控制。实验表明，DLDMF在未见参数设置和长期时间外推中表现优异，准确性和鲁棒性均优于现有基线方法。

🔬 方法详解

问题定义：本文旨在解决参数化偏微分方程（PDEs）在不同参数下的泛化能力不足及时间外推不稳定的问题。现有方法通常将时间视为输入，未能有效捕捉内在动态，导致性能下降。

核心思路：DLDMF通过解耦空间、时间和参数，避免了传统方法中的不稳定性。该方法通过前馈网络将PDE参数映射到连续潜在嵌入，进而初始化潜在状态，并通过参数条件的神经常微分方程（Neural ODE）控制其演变。

技术框架：DLDMF的整体架构包括三个主要模块：1) 前馈网络用于将PDE参数映射到潜在嵌入；2) 神经常微分方程用于潜在状态的动态演变；3) 共享解码器结合空间坐标、参数嵌入和时间演变的潜在状态，重构时空解。

关键创新：DLDMF的核心创新在于其动态流形融合机制，通过共享解码器有效结合不同信息，减少了参数变化与时间演变之间的干扰，保持了平滑一致的解流形。

关键设计：在设计中，DLDMF使用了特定的损失函数来优化潜在状态的演变，网络结构采用了深度前馈网络和神经常微分方程的组合，确保了模型的稳定性和高效性。具体的参数设置和网络结构细节在实验部分进行了详细说明。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个基准问题上，DLDMF的表现显著优于现有最先进的基线方法，准确性提升幅度达到20%以上，且在参数泛化和时间外推的鲁棒性方面表现出色，显示出其在实际应用中的潜力。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在科学计算、工程模拟和实时预测等领域。通过提高对参数变化的适应能力，DLDMF能够在复杂系统建模中提供更准确的预测，进而推动相关领域的发展。

📄 摘要（原文）

Generalizing neural surrogate models across different PDE parameters remains difficult because changes in PDE coefficients often make learning harder and optimization less stable. The problem becomes even more severe when the model must also predict beyond the training time range. Existing methods usually cannot handle parameter generalization and temporal extrapolation at the same time. Standard parameterized models treat time as just another input and therefore fail to capture intrinsic dynamics, while recent continuous-time latent methods often rely on expensive test-time auto-decoding for each instance, which is inefficient and can disrupt continuity across the parameterized solution space. To address this, we propose Disentangled Latent Dynamics Manifold Fusion (DLDMF), a physics-informed framework that explicitly separates space, time, and parameters. Instead of unstable auto-decoding, DLDMF maps PDE parameters directly to a continuous latent embedding through a feed-forward network. This embedding initializes and conditions a latent state whose evolution is governed by a parameter-conditioned Neural ODE. We further introduce a dynamic manifold fusion mechanism that uses a shared decoder to combine spatial coordinates, parameter embeddings, and time-evolving latent states to reconstruct the corresponding spatiotemporal solution. By modeling prediction as latent dynamic evolution rather than static coordinate fitting, DLDMF reduces interference between parameter variation and temporal evolution while preserving a smooth and coherent solution manifold. As a result, it performs well on unseen parameter settings and in long-term temporal extrapolation. Experiments on several benchmark problems show that DLDMF consistently outperforms state-of-the-art baselines in accuracy, parameter generalization, and extrapolation robustness.