基于梯度的Gray-Scott系统反演中的损失景观诊断：解耦PINN组件的作用
本研究通过直接反向传播通过偏微分方程结构来诊断损失景观，发现优化失败源于平坦高原和陡峭悬崖。当神经网络固定时，残差损失产生平滑景观，避免病态，而神经网络仅用于补全观测数据。
在反应-扩散系统的梯度反演研究中，常用的方法是代理模型或物理信息神经网络（PINN），而最直接的路径——通过偏微分方程（PDE）结构本身进行反向传播——却鲜少被采用。来自ICML 2026 AI4Physics研讨会的一篇论文，将这一直接方法作为诊断工具，通过展开的Gray-Scott模拟反向传播稳态损失来恢复其参数，完全不依赖代理或神经网络增强。然而，优化未能收敛。通过直接绘制损失景观，研究人员将失败定位在其几何结构上：平坦的高原缺乏梯度信号，周围环绕着与分岔边界对齐的陡峭悬崖。这种结构在不同损失函数中反复出现，并且无论梯度以何种方式路由到参数，都会被继承。
研究人员将这一最小设置视为PINN的消融实验，从而解耦了每个组件的作用。当神经网络固定时，残差损失是关于PDE参数的二次函数，产生平滑的景观。这表明，仅凭残差损失就能避免病态，因为它隐式地编码了所有初始条件下的完整PDE动力学。相比之下，神经网络无法修复不适定的参数子空间，因此其作用仅限于补全观测数据——这种分工在此前未被明确阐述。
这些发现对PINN类方法具有具体的设计意义。例如，研究强调了在参数反演中，神经网络并非万能，其效果取决于损失景观的结构。此外，研究还提供了一个更广泛的经验法则：何时增加维度实际上有助于优化。论文已被ICML 2026的AI4Physics研讨会接收，共14页，包含10张图表，展示了详尽的实验分析和理论推导。