自由边界问题的深度神经算子

《Nature Machine Intelligence》：Deep neural operator for free boundary problems

　　

自由边界问题（Free Boundary Problems, FBPs）是一类控制方程定义在先验未知域上的偏微分方程（Partial Differential Equations, PDEs）问题，广泛存在于量子物理到生物医学等多个科学与工程领域。传统数值方法受限于时空离散策略，面临计算成本高、难以高效处理多组初始与边界条件的问题。近年来，神经算子（Neural Operators）通过学习函数空间之间的映射，革新了PDEs求解范式，但现有框架被限制在预定义域内，无法直接应用于域动态演化的FBPs。针对这一基础局限，研究人员提出了自由边界神经算子（Free Boundary Neural Operator, FBNO）通用框架，其利用动力系统间的拓扑共轭（Topological Conjugacy）特性，同时逼近共轭系统的流映射（Flow Map）以及连接原始FBP的同胚映射（Homeomorphism），从而在无先验几何知识条件下实现对演化域上物理场的预测。研究人员进一步提供了近似定理，从理论上保证了该方法的可行性。通过在相变、非凸几何及多物理场系统等场景的数值实验，FBNO在保持相对L2误差低于1%的同时，实现了相较传统数值方法数个数量级的计算加速，标志着自由边界模拟领域的重大突破。

该研究由研究人员发表于《Nature Machine Intelligence》，针对自由边界问题（FBPs）长期存在的数值求解瓶颈展开。FBPs的核心特征是求解域随物理场动态演化且先验未知，广泛存在于环境科学、材料科学、生物医学等领域。传统数值方法依赖动网格重构或固定域变换，计算成本高昂，难以支撑多工况快速仿真需求。现有神经算子框架虽实现了PDEs的高效求解，但其理论假设要求解域预先给定，无法适配FBPs的域演化特性，且现有针对特定FBPs的深度学习方法受限于单值边界假设，无法处理闭曲线等复杂拓扑结构。为解决上述问题，研究人员提出了自由边界神经算子（FBNO）框架，通过引入拓扑共轭理论，将原始演化域上的动力学系统映射到固定参考域的共轭系统，实现了对任意先验未知域上物理场的高效预测，并从理论上证明了该框架的通用近似能力。

研究人员采用的关键技术方法包括：构建基于拓扑共轭的动力系统映射机制，通过同胚映射将演化域物理场转换为固定参考域上的共轭场；设计MIONet（Multiple-Input Operator Network）架构的神经算子，分别逼近同胚映射及其逆映射、共轭系统流映射；融合物理驱动与数据驱动两种训练范式，通过约束空间雅可比行列式正定性保障映射的微分同胚（Diffeomorphism）特性；针对Stefan问题、热-结构耦合问题、肿瘤生长问题三类典型FBPs开展验证，其中肿瘤生长实验采用3660组不同初始几何形态的数值模拟样本，包含圆形、半圆-矩形组合、双球-窄颈非凸三种构型。

研究结果如下：

问题设置部分，研究人员定义了FBPs的时空域为随时间演化的紧致可测集的并集，明确自由边界为时空域的Lipschitz超曲面，指出传统通用近似定理（Universal Approximation Theorem, UAT）因要求解域固定而不适用于FBPs。

方法论部分，研究人员提出通过共轭系统间接求解的策略，即原始系统流映射F^t可表示为共轭系统流映射G^t与同胚映射H的复合：F^t=H°G^t°H^-1，并构建了间接表示算子，避免了直接近似未知域函数的理论障碍。进一步给出FBPs通用近似定理，证明在参考域与演化域微分同胚的假设下，FBNO可通过两个神经网络的复合以任意精度逼近FBP解算子。

Stefan问题实验中，研究人员采用物理驱动训练，仅通过控制方程约束实现无监督学习。结果显示，温度场相对L²误差普遍低于1.5%，自由边界误差低于1%，且预测精度不受域几何复杂度影响。

热-结构耦合问题实验中，研究人员结合物理约束与少量低分辨率数据训练，仅需10组训练样本即可实现多物理场高精度预测。结果表明，物理约束可使测试误差较纯数据驱动方法降低95%以上，且长时间模拟中无误差累积现象。

肿瘤生长问题实验中，研究人员采用纯数据驱动方法，处理非凸初始域场景。结果显示，FBNO对不同拓扑形态的域均保持稳定的预测精度，推理速度较传统有限元方法提升10⁴倍，内存与能耗效率分别提升7倍和5×10³倍，可实现秒级肿瘤生长轨迹预测。

讨论部分，研究人员指出FBNO突破了传统神经算子的域限制，具备跨几何形态、跨物理场景的通用性，且与现有训练范式兼容。在肿瘤诊疗场景中，该框架可实时预测肿瘤生长动力学与营养分布，为个性化治疗方案制定提供支持。研究同时明确了FBNO的局限性：暂不支持激波等奇点形成后的弱解问题，未覆盖多相FBPs，且训练阶段的成本仍需纳入整体效率评估。研究结论表明，FBNO为FBPs提供了首个可理论保证的神经算子求解框架，兼具高精度、高效率与强鲁棒性，为复杂演化界面系统的快速仿真开辟了新路径。