神经网络在物理学中的应用已远超早期“万能函数逼近器”的范畴发展出了多种深度融合物理规律的新型架构与范式。下面从求解方程、学习算子、尊重对称性、保持结构、加速模拟、分析实验数据等维度梳理当前主流及前沿的物理神经网络。1. 物理信息神经网络PINNs—— 将物理定律嵌入损失函数核心思想在神经网络的损失函数中直接加入物理控制方程常/偏微分方程的残差使网络不仅拟合数据还满足物理约束。代表变体与应用标准 PINNRaissi et al., 2019求解流场、热传导、Burgers 方程等正问题和逆问题。扩展版保守 PINNcPINN用于守恒律hp-VPINN 采用分区多项式提升精度贝叶斯 PINNB-PINN量化不确定性。物理约束型网络结构如用径向基网络、硬约束边界条件的网络将 Dirichlet/Neumann 条件直接编码进网络输出。局限训练存在“谱偏差”高频特征难以学习多尺度问题需因果采样、自适应加权等技巧。2. 神经算子Neural Operators—— 学习无限维映射与 PINN 仅学习单一方程的解不同神经算子直接学习函数空间之间的映射即输入为一族参数函数如初值、边界条件、系数场输出为对应解函数。一旦训练完成可在瞬间给出任意新参数下的解。代表性架构DeepONetLu et al., 2021分支网络编码输入函数主干网络编码输出坐标二者内积得到输出。理论根基为普适逼近定理适用于多类算子的学习。傅里叶神经算子 FNOLi et al., 2021在傅里叶空间进行卷积核参数化具有网格无关性、高分辨率外推能力。在湍流、气象、二氧化碳存储模拟中性能极高。变种自适应 FNOAFNO用于高维天气预报Geo-FNO 处理不规则几何域U-FNO 结合 U-Net 增强多尺度能力。基于注意力的神经算子近年来 Transformer 被引入算子学习如Galerkin Transformer、Transolver2024 将物理点云视为 token通过物理感知注意力机制求解 PDE处理任意域形状和高非线性。优势一次训练毫秒级推理可作为数字孪生、实时控制的代理模型。3. 等变神经网络Equivariant Neural Networks—— 尊重物理对称性物理规律往往具有旋转、平移、反射等对称性。等变网络保证输出随输入按相同对称性变换迫使模型遵守守恒定律如角动量守恒。主要架构三维旋转等变网络使用球谐函数和 Clebsch-Gordan 张量积构建消息传递。代表模型NequIP、Allegro学习原子间势能面精度达量子力学水平且速度提升数个量级。SE(3)-Transformer、EquiformerV2将 Transformer 与等变特性结合广泛用于分子动力学、晶体性质预测。标量化和向量化设计如 PaiNN、EGNN用向量特征确保等变性简化计算。应用分子力场、材料逆向设计、蛋白质结构预测AlphaFold 中也大量使用等变模块。4. 哈密顿/拉格朗日神经网络 —— 保持动力学结构常规网络拟合动力学系统时常常无法遵守能量守恒或辛结构导致长期预测发散。哈密顿神经网络HNNGreydanus et al., 2019学习系统的哈密顿量 H(q,p)H(q,p)然后从哈密顿方程导出运动方程。因辛结构的保持能量在长期模拟中高度守恒。拉格朗日神经网络LNN直接学习拉格朗日量 L(q,q˙)L(q,q˙)适合处理坐标系变换、刚体系统等。辛递归网络、SympNet直接将映射构造为辛变换保证相空间体积守恒可用于天体力学、等离子体模拟。应用刚体多体动力学、天体运动长期预测、控制中的物理安全强化学习。5. 图神经网络模拟器GNN-based Simulators—— 学习网格与粒子动力学物理系统常可被离散为图节点为网格点或粒子边为相互作用。GNN 天生适合学习这种关系。MeshGraphNetsPfaff et al., 2021输入网格当前状态位置、速度、物性输出加速度用于网格自适应求解和下一帧推进。可模拟流体、空气动力学、结构变形。基于粒子的 GNSGraph Network Simulators学习粒子间力模型用于沙子、水、粘弹性体的高保真模拟。多尺度增强结合分层图池化和反池化处理跨尺度效应。优势泛化到不同边界条件、新几何体支持半监督即便部分网格观测缺失也能推理。6. 物理数据分析与实验物理专用网络神经网络不仅用于建模也广泛处理物理实验产生的大量复杂数据。高能物理喷注Jet分类与生成粒子云网络ParticleNet将喷注视为点云用动态图 CNN 分类夸克/胶子起源Lorentz 群等变网络LoLa直接注入物理对称性。径迹重建与粒子流图网络如 GravNet、EDG 框架解决高亮度对撞中的轨迹关联GNN 在顶点探测、堆叠去除中起关键作用。天体物理与引力波引力波信号检测与参数估计CNN/时序卷积网络匹配滤波近似实现近实时预警嵌入物理波形模型的条件生成网络快速生成后验样本。强透镜寻找、星系形态分类ResNet、Vision Transformer 大规模巡天图像分析。去噪与重建基于分数的扩散模型用于微波背景辐射CMB去噪事件视界望远镜EHT黑洞图像超分辨率。量子多体物理神经网络变分波函数FermiNet、PauliNet 用置换等变网络作为多电子波函数直接求解薛定谔方程能量精度逼近化学精度。此类网络实现“用神经网络表示量子态”。张量网络与神经网络融合将矩阵乘积态MPS展开为自回归网络用于量子态层析和生成。7. 扩散模型与生成式物理物理领域需要生成符合物理规律的样本如分子构象、湍流涡结构、宇宙大尺度结构。分子构象生成GeoDiff 结合扩散过程与旋转等变网络生成低能三维分子结构。材料逆向设计扩散模型直接生成具有目标带隙、硬度等属性的晶格结构。气象集合预报GenCastGoogle DeepMind用扩散模型生成概率性全球天气预报媲美并超越欧洲中期天气预报中心ECMWF的集合系统。流体超分辨率与反问题基于扩散模型的条件生成用于从稀疏观测重建全场流态。8. 物理基础模型与大规模预训练受大语言模型启发物理领域开始构建通才物理神经网络。气象基础模型Aurora微软和 ClimaX 在多种异构气象数据上预训练适应不同分辨率、变量集微调后执行全球预报、区域降尺度等任务。科学多模态模型如可处理 PDE 数值解、文本描述、实验图片的统一架构正逐渐兴起。总结与趋势当前物理神经网络的发展不再是单一“黑箱”应用而走向结构与知识深度融合范式融合PINN 与神经算子的结合物理约束算子学习GNN 与等变网络的结合。多尺度与长时序通过谱方法、层次化图架构和结构保持机制实现稳定长时推演。从单一系统到通用基础模型大规模预训练让模型具备跨系统、跨物理规律的泛化能力。软硬件协同物理网络配合 GPU/TPU 实现实时模拟用于数字孪生、自动驾驶环境感知中的物理推理。这一领域正重塑计算物理、实验发现和工程设计的范式物理定律不再是数据学习的束缚而是神经网络获得强大泛化能力的智慧泉源。