技术深度解析
从标准物理信息神经网络（PINNs）到热力学神经网络（TNNs）的技术演进，代表了一种从基于惩罚的学习到归纳性架构偏置的范式转移。标准PINNs通过最小化复合损失函数运作：`L = L_data + λ * L_physics`。其中，`L_physics`惩罚在配置点上评估的控制偏微分方程（例如纳维-斯托克斯方程）的残差。超参数`λ`至关重要且常常带来问题；调参不当会导致模型要么忽略物理规律，要么无法拟合数据。
TNNs则通过构造本身消除了这种平衡难题。目前对比的三种主要架构范式是：
1. 拉格朗日神经网络（LNNs）： 这类网络学习系统的拉格朗日量`L(q, q̇)`（动能 - 势能）。运动方程随后通过欧拉-拉格朗日方程`d/dt(∂L/∂q̇) - ∂L/∂q = 0`生成，该方程被硬编码到网络的计算图中。这保证了学习到的动力学遵循最小作用量原理。
2. 哈密顿神经网络（HNNs）： 这可以说是最具影响力的范式。HNNs学习哈密顿量`H(p, q)`（总能量）。动力学通过哈密顿方程产生：`dq/dt = ∂H/∂p`，`dp/dt = -∂H/∂q`。一个学习`H`的单一网络确保对于不显含时间的哈密顿量，能量是严格守恒的，因为通过代入方程可得`dH/dt = (∂H/∂q)(dq/dt) + (∂H/∂p)(dp/dt) = 0`。
3. 端口-哈密顿神经网络（PHNNs）： 这是一种扩展，纳入了耗散和控制端口，对于现实世界的开放系统至关重要。它们将系统建模为`ẋ = (J-R)∇H(x) + g(x)u`，其中`J`是反对称矩阵（能量守恒），`R`是半正定矩阵（能量耗散），`g(x)u`代表外力。这允许直接建模热力学第二定律（熵产生）。
性能的关键在于积分方案。将HNN与辛积分器（如Verlet或蛙跳法）配对，能在比非辛方法指数级更长的时间尺度上保持几何结构。近期的GitHub仓库生动地展示了这一点：
- `greydanus/hamiltonian-nn`：HNNs的开创性PyTorch实现，拥有超过1.2k星标。它展示了在弹簧和摆系统中完美的能量守恒。
- `mfinzi/constrained-hamiltonian-neural-networks`：将HNNs扩展到带约束的系统，这是分子动力学研究的关键一步。
- `DiffEqFlux.jl` (Julia)：并非单一仓库，而是SciML套件中的一个生态系统。它提供了定义直接表示微分方程的神经网络的工具，实现了物理结构与学习组件的无缝融合。
在经典物理问题上比较这些架构的基准研究揭示了清晰的权衡。
| 架构 | 能量守恒（长时间尺度） | 处理耗散能力 | 数据效率 | 计算开销 |
|---|---|---|---|---|
| 标准PINN | 差（漂移） | 通过损失项手动处理 | 低 | 低 |
| 拉格朗日NN (LNN) | 好（通过构造保证） | 差（需要扩展） | 高 | 中 |
| 哈密顿NN (HNN) | 优秀（对封闭系统精确） | 差（需要扩展） | 高 | 低 |
| 端口-哈密顿NN (PHNN) | 好（建模守恒与损失） | 优秀（内置） | 中 | 高 |
| 图神经网络 (GNN) + 物理 | 可变 | 手动 | 中 | 非常高 |
数据要点： 上表揭示了一个清晰的精度-效率权衡。HNNs在封闭保守系统中表现出色，但不天然适用于现实世界的开放系统。PHNNs提供了最全面的物理保真度，但代价是更高的复杂性和成本。“最佳”架构本质上取决于具体问题。
关键参与者与案例研究
结构化物理AI的发展是由学术实验室、国家研究机构和具有前瞻性的工业研发团队共同推动的。
学术先锋：
- 麻省理工学院Max Tegmark的团队长期倡导能够发现物理理论的AI。他们在“AI物理学家”框架上的工作是TNNs的概念先驱。
- 加州理工学院与英伟达的Anima Anandkumar团队专注于神经算子（如傅里叶神经算子），并日益强调将对称性和守恒定律直接嵌入到这些架构中，用于气候和湍流建模。
- 柏林自由大学Frank Noé的团队将类似原理应用于分子动力学，开发尊重热力学系综的模型，这对药物发现至关重要。
- 像Miles Cranmer（普林斯顿/Flatiron）这样的研究者则推动可解释的、受物理启发的网络组件，主张模型应该输出人类可理解的量，如拉格朗日函数。
企业与机构实践：
- Google DeepMind在“AI for Science”上投入巨资，像AlphaFold这样的项目代表了一种不同但并行的路径。他们利用AI模拟聚变等离子体的工作很可能采用了这些结构化物理AI方法。