华为与孙浩教授团队合作发布物理编码递归卷积神经网络，创新AI科研新成果

近期，华为与中国人民大学高瓴人工智能学院孙浩教授团队携手，基于昇思MindSpore AI框架，推出了一项名为物理编码递归卷积神经网络（PeRCNN）的科研成果。这项突破性技术已在《Nature》子刊《Nature Machine Intelligence》上发表，并在开源社区Gitee的MindSpore Flow代码仓库进行了开源共享。

PeRCNN 相较于物理信息神经网络、ConvLSTM、PDE-NET等现有方法，在模型的泛化性和抗噪性方面取得了显著提升，尤其是在长期推理精度上，其表现比同类技术高出10倍以上。这一技术在航空航天、船舶制造、气象预报等领域展现出广阔的应用前景。

PDE方程 在物理系统建模中扮演着核心角色，然而在流行病学、气象科学、流体力学和生物学等众多领域，仍有大量的底层PDE尚未被完全揭示。面对已知的PDE方程如Navier-Stokes方程，精确数值计算往往需求庞大的计算资源，限制了数值仿真的大规模应用。在此背景下，机器学习 的进步为PDE的求解和反演提供了新思路。

现有的数据驱动模型虽依赖于海量数据，但在解决许多科学问题时却难以满足需求，且存在解释性不足的问题。物理约束的神经网络（PINNs） 虽然通过先验知识约束模型训练，减少了对数据的依赖，但基于损失函数的软约束限制了最终结果的准确性。因此，如何在数据稀缺的情况下，获得高度精确、稳健、可解释性和泛化的结果，一直是学术界的追求目标。

为解决上述挑战，华为与孙浩教授团队合作，利用昇腾AI澎湃算力，依托昇思MindSpore AI框架，开发出了物理编码递归卷积神经网络。该技术通过物理编码机制 强制模型遵守特定的物理方程，实现对非线性PDE的精确逼近。这一创新不仅提高了模型的精度，还增强了其在数据驱动建模和PDE发现方面的适用性。

PeRCNN的独特优势之一在于其可解释性。π-卷积的乘法形式使得从学习的模型中提取底层物理表达式成为可能，进而辅助研究人员从数据中准确、可靠地发现潜在的物理规律。这一特性使得PeRCNN成为在流体力学、气象、海洋等学科中处理复杂非线性现象（如湍流、激波）的强大工具，有望在工业仿真和设计中突破传统计算瓶颈，加速科研进程。

结语

华为与孙浩教授团队的合作成果——物理编码递归卷积神经网络，不仅代表了AI在科学计算领域的一次重要突破，也为解决复杂物理问题提供了新的视角和方法。这一创新技术的开放共享，将促进跨学科研究的深入发展，推动AI技术在实际应用中的广泛部署。

注释：

1. 详细链接

免责声明：

本文内容基于原创、合作伙伴供稿及第三方自媒体投稿，仅供信息参考。所有信息力求准确可靠，但不对信息准确性或可靠性承担法律责任。对于任何自主决策行为，读者需自行负责。在使用文中信息前，请进一步核实，如发现错误、不实或侵权内容，请及时通知我们进行删除或更正。