← 返回 PaperDaily 大模型与智能体

心脏电生理模拟泛化能力提升4-6倍！物理信息学习遇上变形梯度

当你的AI模型面对不同形状的训练数据时，是不是每次都要重新训练？挪威团队提出潜变量PDE映射，只需把不同几何的物理方程通过变形梯度“拉”到一个标准形状上，就能让模型用超少样本学会处理新形状。在心脏电生理模拟上，对旋转几何的误差直降4倍！物理信息机器学习爱好者不容错过。

龙哥读论文发布于 2026-08-14 09:11:28 阅读 3 查看原文

#AI科研 #模型架构 #AI医疗 #涨点神器

原论文信息如下：

论文标题:
Latent PDE mapping for efficient geometric generalization in physics-informed machine learning

发表日期: 2026年7月
发表单位: Kristiania University of Applied Sciences, Simula Research Laboratory (挪威)
原文链接: https://arxiv.org/pdf/2607.22215v1.pdf
开源数据集链接: https://doi.org/10.5281/zenodo.20928054

引言

在工程应用中，我们经常需要对不同形状的物体进行快速物理模拟。比如设计机翼时需要反复计算不同外形的气动性能，或者给患者制定个性化心脏治疗方案时需根据每个人的心脏形状快速模拟电信号传播。传统的数值求解器（如有限元法）虽然精度高，但计算太慢，难以满足实时需求。物理信息机器学习（如PINN）本想加速这一过程——训练好一个网络后可以瞬间给出预测，但一旦遇到训练时没见过的几何形状，网络就会“水土不服”，必须重新训练，丧失了速度优势。

现有方法尝试通过给网络输入形状描述符（如PCA系数）或使用图神经网络来泛化，但都存在局限性：要么忽略了物理损失函数中因边界移动带来的形状梯度信息，导致梯度计算不精确；要么需要大量几何样本才能训练好映射网络。近日，挪威克里斯蒂安尼亚大学应用科学学院与Simula研究实验室的团队提出了一种全新框架——潜变量PDE映射（Latent PDE Mapping, LPM），通过引入连续介质力学中的变形梯度，将不同几何上的物理残差统一“拉回”到一个预定义的潜变量几何上，从而在反向传播中能得到精确的形状梯度。实验证明，在极其稀疏的训练数据（仅15个几何样本）下，LPM即可使PINN和PI-DeepONet在旋转几何族上实现4-6倍的误差降低，且推理阶段几乎不增加计算成本。

这就像让所有形状的模拟数据都“穿上同一套标准尺码的衣服”，网络只需要学习这个标准形状上的物理规律即可，不同形状的差异通过变形梯度来补偿。龙哥不得不说，这个思路非常优雅简洁，既保留了物理信息模型的优势，又真正做到了几何泛化。

方法概述

潜变量PDE映射的核心思想非常直观：假设我们有一个物理问题定义在参数化的几何 Ω(s) 上，s是形状参数。传统PINN直接在这个几何上计算PDE残差和边界条件损失，但损失对形状参数的梯度忽略了边界移动项，导致泛化差。LPM的做法是：选取一个固定的基准几何 Ω0（比如一个正方形或立方体），然后假设存在一个从 Ω0 到 Ω(s) 的微分同胚映射 Φ(X, s)。利用这个映射的变形梯度 F = dφ/dX 和雅可比行列式 J = det(F)，可以将 Ω(s) 上的PDE和边界条件全部“拉回”到 Ω0 上。这样一来，原本依赖几何形状 s 的积分区域变成了固定的 Ω0，而形状依赖被吸收到了 PDE 本身（即 F 和 J 中）。在反向传播时，形状梯度可以直接通过自动微分精确计算，不再丢失边界项。

图1展示了整个流程：训练阶段，先将物理坐标点通过映射 Φ 从 Ω(s) 变换到 Ω0，同时将有限元数据、PDE残差和边界条件通过变形梯度拉回到潜几何；然后网络以潜几何上的坐标、时间以及形状描述符为输入进行训练。推理阶段，对于新几何，通过逆映射 Φ-1 将预测结果从潜几何映射回真实物理空间。

图1：潜变量PDE映射（LPM）使模型能在未见新几何上做出准确预测。(a) 训练阶段：每个物理几何的时空数据通过微分同胚映射 (ΦN) 映射到预定义的潜几何，和形状参数 s 一起输入神经网络。物理几何上定义的FEM数据、PDE残差和BC残差通过变形梯度拉回到潜几何以计算训练损失。(b) 推理阶段：模型输入来自潜几何的时空点，直接得到在潜几何上的预测输出，再通过逆映射 (Φ-1) 映射回物理几何，从而实现对新几何的泛化。

论文以心脏电生理学中的阿利耶夫-潘菲洛夫（Aliev-Panfilov）PDE为例进行验证。这是一个非线性、时变、具有陡峭波前的方程，非常适合检验方法的鲁棒性。原始方程定义在物理几何 Ω(s) 上，经过LPM映射到潜几何 Ω0 后，方程中的空间导数项会通过变形梯度变换，最终形状依赖完全由 F 和 J 体现。

核心原理推导

为了更精确地理解LPM为什么能改善梯度，我们需要深入其数学推导。考虑一个定义在物理区域Ω(s)上的PDE，其残差为R(u, x, t; s)=0，其中u是解场。传统PINN的损失函数包含在Ω(s)上积分的PDE残差项：Lphys = ∫Ω(s) |R(u, x, t; s)|² dΩ。当s变化时，积分区域Ω(s)本身也在变化，因此损失对s的梯度∂Lphys/∂s包含两项：一项来自被积函数R对s的显式依赖，另一项来自积分区域边界移动带来的贡献（即Leibniz积分规则中的边界项）。传统离散MSE损失在计算时，通常将采样点固定，忽略了边界移动项，导致梯度不完整。LPM通过引入从潜几何Ω₀到物理几何Ω(s)的微分同胚映射φ: Ω₀ → Ω(s)，将积分变换到固定区域Ω₀上：Lphys = ∫Ω₀ |R(u∘φ, φ(X,s), t; s)|² J dX，其中J=det(∂φ/∂X)是雅可比行列式。此时积分区域Ω₀固定，梯度∂Lphys/∂s可以通过自动微分精确计算，因为所有对s的依赖（包括φ和J）都在被积函数中显式表达。这正是LPM能够提供精确形状梯度的数学根源。

具体到Aliev-Panfilov模型，这是一个描述心脏电信号传播的反应-扩散系统，包含跨膜电位V和恢复变量W两个场变量。原始PDE在物理几何Ω(s)上写为：∂V/∂t = ∇·(D∇V) + f(V,W) 和 ∂W/∂t = g(V,W)，其中D是扩散张量，f和g是非线性反应项。经过LPM变换到潜几何Ω₀后，空间导数∇通过链式法则变为F⁻ᵀ∇₀，其中∇₀表示在Ω₀上的梯度算子。因此，潜PDE中的扩散项变为∇₀·(J F⁻¹ D F⁻ᵀ ∇₀V)/J，反应项保持不变。所有形状依赖s都通过变形梯度F和雅可比J体现，而F和J作为s的函数，可以解析计算或通过自动微分获得。这使得网络在训练时能够精确感知形状变化对PDE残差的影响。

在实现层面，LPM的流程如下：首先，对于每个训练几何Ω(s)，预计算从Ω₀到Ω(s)的映射φ及其变形梯度F和雅可比J。这可以通过解析公式（对于参数化变形）或数值插值（对于任意网格）完成。然后，在潜几何Ω₀上采样训练点(X, t)，通过φ映射得到物理坐标x=φ(X,s)，并利用F和J计算潜PDE残差。网络输入为(X, t, s)，输出为(V, W)，损失函数包含三项：数据项（与FEM参考解的MSE）、PDE残差项（在Ω₀上计算的潜PDE残差）以及边界条件项（通过映射变换后的边界条件）。所有损失项都在Ω₀上计算，因此对s的梯度可以通过自动微分精确获得。推理时，对于新几何s_new，只需在Ω₀上采样点，网络直接输出潜几何上的解，再通过逆映射φ⁻¹得到物理空间的结果。

论文解决了什么问题？

传统物理信息神经网络（PINN，Physics-Informed Neural Networks）虽然能利用偏微分方程（PDE，Partial Differential Equation）残差作为软约束来训练网络，快速求解参数化PDE，但遇到不同几何形状时必须重新训练。现有方法通过给网络输入形状参数（如主成分分析（PCA，Principal Component Analysis）系数）或使用图神经网络来泛化，但物理损失函数仍然定义在物理几何上，因此反向传播时缺少因边界移动产生的关键梯度项，导致梯度信息不完整。本文提出的潜变量PDE映射（Latent PDE Mapping, LPM）通过将不同几何上的物理残差和边界条件统一“拉回”到一个预定义的潜几何上，使得形状梯度能够被精确计算，从而让物理信息模型在仅用15个几何样本训练的极稀疏数据下，也能对未见几何做出准确预测。

潜变量PDE映射的原理是什么？

LPM的核心思想非常直观：假设我们要在形状参数化的物理区域Ω(s)上求解PDE，先选定一个固定的潜几何Ω₀（比如正方形或立方体），并假设存在一个从Ω₀到Ω(s)的微分同胚映射φ(X,s)。利用该映射的变形梯度F=∂φ/∂X和雅可比行列式J=det(F)，可以将原PDE残差和边界条件全部变换到Ω₀上。这时，原本依赖s的积分区域变为了固定的Ω₀，而形状依赖性被吸收到了PDE本身（通过F和J体现）。在反向传播计算∂Lphys/∂s时，由于积分区域不再随s变化，Leibniz积分规则中的边界移动项自然消失，从而可以精确计算形状梯度。相比之下，传统离散MSE损失直接将残差视为与s无关，丢失了关键梯度信息。

本文以心脏电生理中的阿利耶夫-潘菲洛夫（Aliev-Panfilov）PDE为例，这是一个非线性、时变、具有陡峭波前特性的强非线性系统。映射后的潜PDE包含了变形梯度项，使得网络可以直接在Ω₀上计算残差，并与Ω(s)上的稀疏有限元数据结合进行监督。

图2：2D几何家族示例：膨胀(exp)、剪切(shear)、非线性变形(nonlin)、旋转(rot)。虚线表示潜几何Ω₀。

图2展示了2D中四种变形家族的代表性几何形状，潜几何Ω₀为一个10×10mm的正方形（虚线）。训练时，网络接收潜几何上的点坐标、时间以及形状描述符（变形参数或PCA得分），输出跨膜电位V和恢复变量W。对于每种变形家族，论文定义了具体的映射函数：膨胀映射为φ(X,s)=s·X（均匀缩放），剪切映射为φ(X,s)=X + s·[Y,0]ᵀ，非线性变形映射为φ(X,s)=X + s·sin(πX/L)·sin(πY/L)，旋转映射为φ(X,s)=R(s)·X，其中R(s)是旋转矩阵。这些映射都是解析可微的，便于自动微分计算变形梯度。

为了全面对比，论文在两种代表性物理信息学习框架上实现了LPM：PINN（全连接8层，每层64神经元）和PI-DON（物理信息深度算子网络，Physics-Informed Deep Operator Networks）。两种架构均输出V和W，输出层使用sigmoid和softplus确保取值范围正确。PINN直接以时空点和形状参数为输入，而PI-DON采用分支-主干（branch-trunk）结构：分支网络编码初始条件和形状参数，主干网络编码时空坐标，两者通过点积融合输出。LPM在两种架构上的实现方式略有不同：对于PINN，变形梯度直接嵌入到损失函数中的PDE残差计算中；对于PI-DON，变形梯度用于将物理几何上的传感器数据映射到潜几何上的固定传感器位置，从而满足DeepONet对固定传感器位置的要求。

图3：本研究中采用的神经网络架构示意图。(a) PINN架构：全连接8隐藏层，每层64神经元，输入为时空点(X,τ)及几何描述符s。(b) PI-DON架构：分支网络(branch)处理初始条件与几何描述符，主干网络(trunk)处理时空点，输出为V和W。隐藏层均使用tanh激活函数，最终输出通过sigmoid和softplus。

论文设计了消融实验模型来评估LPM的效果，具体模型总结如下：

表2：实验中使用的物理信息模型总览。LPM标记的模型应用本文提出的框架；LG模型从潜几何Ω₀获取数据并输入形状参数；PA-PINN和Basic-PINN直接在物理几何上训练，其中PA-PINN额外添加形状参数输入。PI-DON（LPM-DON, LG-DON）受限从Ω₀输入以保证固定传感器位置。

关键点是：LPM通过将物理损失重写为在Ω₀上的积分，使得变形梯度在训练时作为常系数场预先计算，反向传播时自动微分能精准得到形状梯度∂Lphys/∂s，弥补了传统离散MSE损失中缺失的边界移动项。具体来说，传统PA-PINN的损失函数为L = Ldata + Lpde + Lbc，其中Lpde = (1/N)Σ|R(u(x_i,t_i; s), x_i, t_i; s)|²，采样点x_i固定于物理几何Ω(s)。当s变化时，采样点位置不变，但物理区域移动，导致梯度∂Lpde/∂s只包含R对s的显式导数，缺少因采样点与区域边界相对位置变化产生的项。而LPM的损失为L = Ldata + Lpde_latent + Lbc_latent，其中Lpde_latent = (1/N)Σ|R_latent(u(X_i,t_i; s), X_i, t_i; s)|² J(X_i,s)，采样点X_i固定于Ω₀，所有对s的依赖（包括J和F）都在被积函数中，自动微分可以完整计算梯度。

实验效果如何？

实验使用合成心脏电生理数据，通过有限元求解器openCARP生成。在2D中，针对四种变形类型（膨胀、剪切、非线性、旋转），每种构造了“内部”参数范围（50个几何，其中10个训练、5个验证、35个测试）和“外部”更大范围的参数（35个几何，用于测试分布外泛化）。在3D中仅针对旋转变形（绕x/y/z轴），同样有内外划分。所有模型均训练500k步（PI-DON为500k epoch），使用混合损失（MSE加权）训练。训练数据包括：每个几何上随机采样的时空点（用于PDE残差计算）、边界点（用于边界条件）以及少量FEM参考解点（用于监督学习）。具体来说，每个几何使用约10^4个PDE残差点、10^3个边界点和10^3个数据点，总训练样本量约为15个几何×1.2×10^4点≈1.8×10^5点。

主要结果如下表所示（相对L2误差）：

表3：2D测试几何上的平均相对L2预测-FEM误差(eL2)±标准差。左边两列为全连接网络（LG-PINN、LPM-PINN、PA-PINN、Basic-PINN），右边两列为深度算子网络（LPM-DON、LG-DON）。粗体表示最优，*表示与次优模型在5%显著性水平下有统计差异。每行对应一种几何家族及描述符类型（变形参数或PCA）。

从表3可以看出：在旋转几何族（Grot）上，LPM-PINN使用变形参数时的平均相对L2误差为0.043（内部）和0.068（外部），相比之下LG-PINN分别为0.145和0.289，误差降低约3-4倍（外部达到4.25倍）；Basic-PINN误差高达0.413和0.686。LPM-DON在旋转族上也从LG-DON的0.199/0.235降至0.078/0.077，降低约2-3倍。对于膨胀、剪切和非线性变形，LPM虽然也有改善，但幅度较小，某些情况下与其他模型相当（统计检验不显著）。这表明LPM对需要较大形状梯度的变形（如旋转）收益最明显。值得注意的是，当使用PCA系数作为形状描述符时，LPM的优势依然保持，但幅度略小于使用原始变形参数，这是因为PCA降维可能丢失部分形状信息。

表4：3D测试几何上的平均相对L2误差。结构与表3类似，包含绕x、y、z轴旋转的几何族（Hrot_x, Hrot_y, Hrot_z）。

3D结果（表4）进一步验证：LPM-PINN在旋转几何上同样大幅领先，外部测试误差从LG-PINN的0.162-0.245降至0.069-0.087，降低约2-3倍。LPM-DON在3D上优势略逊于PINN，但在绕z轴旋转上仍有显著提升。具体来看，绕x轴旋转时LPM-PINN外部误差为0.087（LG-PINN为0.245），绕y轴为0.069（LG-PINN为0.162），绕z轴为0.072（LG-PINN为0.198）。这些结果一致表明LPM在旋转变形上的有效性，且3D中的提升幅度与2D相当，说明方法具有良好的维度扩展性。

可视化结果图4与图6展示了预测的电压分布与FEM真值的对比。LPM模型（特别是LPM-PINN）在外部几何上保持了波前形状和传播模式，而LG-PINN和Basic-PINN则出现明显畸变或传播失败。例如，在旋转45°的几何上，LPM-PINN预测的波前位置与FEM真值几乎重合，而LG-PINN的波前出现扭曲，Basic-PINN甚至无法正确传播。这些可视化结果直观地展示了LPM在保持物理一致性方面的优势。

图4：t=50ms时预测跨膜电压(V)快照（使用变形参数作为形状描述符）。每行对应外部家族中的一个几何。左列显示FEM真值。可以看出LPM-PINN的预测与真值非常接近，而其他模型在旋转几何上失真严重。动画版见补充材料。

图6：t=100ms时3D几何（旋转）上的预测电压快照。LPM-PINN精确捕捉了波前传播，而LG-PINN和Basic-PINN在外部几何上出现明显误差。

在计算成本方面（图7），LPM-PINN训练每epoch的平均时间比LG-PINN仅增加约10-20%（主要是变形梯度的预计算和雅可比乘法），而推理时间几乎完全相同（因为推理时只需在潜几何上运行网络，逆映射代价极低）。具体来说，2D中LPM-PINN每epoch约0.12秒，LG-PINN约0.10秒；3D中LPM-PINN约0.35秒，LG-PINN约0.30秒。推理时，每个几何的预测时间均在0.01秒量级，远快于FEM求解器（通常需要数分钟）。这表明LPM在带来显著精度提升的同时，计算开销完全可以接受。

图7：2D和3D中每个epoch的平均训练时间（上行）和每个几何的平均推理时间（下行）。LPM-PINN训练时间增加有限，推理时间几乎不变。

局限性和未来方向

虽然LPM取得了显著效果，但仍存在以下局限性：第一，当前方法需要预先定义物理几何到潜几何的微分同胚映射，对于复杂拓扑（如带有孔洞或分支结构的心脏模型）映射难以手工构建；第二，实验仅验证了阿利耶夫-潘菲洛夫PDE，对于其他类型方程（如对流主导、弹性力学等）的泛化性尚未测试；第三，训练数据来自合成数据（FEM模拟），真实测量数据中的噪声和缺失可能导致困难；第四，在膨胀和剪切等变形幅度较小的家族上，LPM优势不明显，说明其收益与形状梯度的大小密切相关。此外，论文未讨论多物理场耦合（如电-机械耦合）场景下的适用性，也未考虑时间依赖的几何变形（如运动边界问题）。

未来方向包括：结合自动网格变形方法（如基于径向基函数的参数化）来扩展映射的适用范围；将LPM应用于更复杂的几何（如个体化心脏模型）和其他物理领域（如流体动力学、结构力学）；探索与神经算子网络更紧密的结合（如DeepONet变体）以进一步提升泛化能力；以及研究如何处理非微分同胚的拓扑变化（如裂缝或分离）。另一个有趣的方向是将LPM与生成模型结合，自动学习从潜几何到物理几何的映射，从而避免手工定义映射的繁琐过程。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

问：LPM与传统的几何参数化（如将形状参数作为输入）有什么本质区别？传统方法（如PA-PINN）只是将形状参数s作为额外网络输入，物理残差仍然在物理几何上计算，反向传播时忽视了因区域移动产生的边界项。LPM通过变形梯度将残差本身映射到潜几何，使形状依赖完全转移到PDE方程中，从而在自动微分中自动包含完整的形状梯度。简单说，传统方法是“加特征”，LPM是“变方程”。

问：为什么LPM对旋转变形提升最大？旋转变形会引起整个区域的空间取向变化，导致边界法向变化显著，传统MSE损失中缺少的边界移动项占比更大。LPM通过精确计算形状梯度，弥补了这一缺失，因此收益最大。而膨胀、剪切、非线性变形产生的形状梯度相对较小（例如膨胀只是均匀缩放），边界移动项贡献有限，所以LPM的提升不明显。从数学上看，旋转变形的变形梯度F是正交矩阵，其行列式J=1，但F本身随旋转角度变化剧烈，导致PDE中的扩散项张量D' = J F⁻¹ D F⁻ᵀ变化显著，因此形状梯度大。

问：在实际工程中如何应用LPM？需要手动定义映射吗？对于参数化的几何族（如机翼形状参数化、可形变器官参数化），映射可以基于已知变形场解析定义或通过网格变形算法（如径向基函数插值）从边界点计算内部变形。本文中的所有映射都是通过简单的仿射或二次变换解析定义的。对于更复杂的拓扑，可以借助自由变形（FFD）或基于样条的参数化自动生成映射。一旦映射定义好，训练过程中只需一次预计算变形梯度并缓存，训练开销很小。对于非参数化形状（如任意网格），可以先用网格配准算法（如大变形微分同胚度量映射LDDMM）建立与模板的对应关系，再应用LPM。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★✰将连续介质力学中的变形梯度思想引入物理信息机器学习的几何泛化问题，虽基于已有拉格朗日框架（如FEM方法），但在PINN/PI-DON框架中实现了边界损失梯度的精确计算，属于交叉创新，思路清晰且实用。

实验合理度：★★★★★实验设计非常扎实：多种几何变形类型（2D四种+3D三种），内部/外部分布测试，两个网络框架（PINN和DeepONet），多种消融模型（LG、PA、Basic），统计显著性检验（配对Wilcoxon），计算成本分析，可视化对比。唯一小遗憾是仅测试了Aliev-Panfilov一个PDE，但对于方法论论文来说已经足够。

学术研究价值：★★★★✰为物理信息机器学习在几何泛化这一瓶颈问题提供了简洁有效的数学框架，理论分析（梯度缺失项）清晰，可复现性强（数据开源），对其他领域（流体、结构）具有示范性。研究价值较高。

稳定性：★★★★✰在旋转几何上表现非常稳定，外部测试误差波动小；但在膨胀和剪切上优势不大，稳定性依赖于变形梯度的大小。整体而言，对于有明确映射的几何族，预测可靠。

适应性以及泛化能力：★★★✰✰目前仅针对参数化几何族（同一拓扑）有效，无法处理拓扑变化（如孔洞出现、分支合并）。对非参数化形状（如任意网格）需要额外的映射构造，泛化能力受限于映射的可计算性。不过对于数字孪生等场景（同一器官的不同变形），适应性足够。

硬件需求及成本：★★★★✰训练阶段增加10-20%的时间（主要是变形梯度计算和雅可比乘法），推理阶段几乎零成本。相比整个PINN训练过程，增加的开销可以接受。使用H200 GPU训练，但在普通GPU上也能运行。

复现难度：★★★★★作者提供了完整的数据集（Zenodo存储）、详细的超参数表、代码仓库（GitHub），变形梯度可以用自动微分或数值计算轻松实现。复现难度很低。

产品化成熟度：★★★✰✰当前方法需要预定义映射，限制了即插即用。但对于两个特定领域——可参数化的工业设计优化（如机翼形状）和个性化医疗模拟（如心脏不同收缩状态）——具备产品化潜力。需解决映射自动生成和拓扑变化问题后成熟度会更高。

可能的问题：实验数据集完全基于FEM合成，缺乏真实电生理测量数据的验证；对于非参数化复杂几何（如真实人体心脏），如何自动获得高质量映射仍是关键障碍；论文未讨论多域耦合（如心脏电-机械耦合）场景下的适用性；LPM在简单变形家族上收益有限，实际使用前需要评估形状梯度的贡献程度。

主要参考文献

[1] Latent PDE mapping for efficient geometric generalization in physics-informed machine learning. Arxiv 2607.22215v1.

[2] Aliev, R. R., & Panfilov, A. V. (1996). A simple two-variable model of cardiac excitation. Chaos, Solitons & Fractals, 7(3), 293-301.

[3] Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686-707.

[4] Lu, L., Jin, P., Pang, G., Zhang, Z., & Karniadakis, G. E. (2021). Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators. Nature Machine Intelligence, 3(3), 218-229.

[5] Niederer, S. A., et al. (2011). Verification of cardiac tissue electrophysiology simulators using an N-version benchmark. Philosophical Transactions of the Royal Society A, 369(1954), 4331-4351.

[6] 论文开源数据及代码：https://doi.org/10.5281/zenodo.20928054

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

物理信息机器学习还能这么玩？想让模型学会处理各种形状的数据，却不想重新训练？潜变量PDE映射帮你一次搞定！欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
wechat_helper