人工智能与数值相对论 - 数值相对论与 AMSS-NCKU 程序

BACKGROUND

为什么要用神经网络求解 Hamilton 约束？

数值相对论通过数值求解爱因斯坦场方程，模拟双黑洞并合等强引力过程，为引力波探测提供理论模板。在 3+1 分解下，演化的第一步是构造初始数据：在共形平坦、极大切片假设下，必须求解 Hamilton 约束方程——一个高度非线性的椭圆型偏微分方程（Lichnerowicz 方程），通常只能借助有限差分或谱方法（如 TwoPunctures）数值求解。

$$\Delta\psi + \frac{1}{8}\psi^{-7}\bar{K}_{ij}\bar{K}^{ij} = 0, \qquad \psi = 1 + \sum_n \frac{m_n}{2r_n} + u$$

Hamilton 约束（Lichnerowicz 方程）与共形因子分解：u 为需要数值求解的修正项

物理信息神经网络（PINN）把微分方程残差直接写入损失函数，无需传统网格，原则上非常适合参数化求解——但此前从未成功用于该方程：它强非线性，且解在穿刺点附近变化剧烈，传统 PINN 很难收敛。该工作以一系列新技术首次解决了这一难题。

METHOD

方法要点

网络采用 3 个隐藏层、每层 64 个神经元的 MLP（SiLU 激活），配合以下关键技术：

解析引导 + 硬约束结构

将后牛顿解析近似解 u_g 作为引导项，以硬约束方式嵌入网络输出 $u_\theta = \kappa u_g\,[1 + cW\tanh(h_\theta)]$；网络只需学习修正量，窗函数 W 按引导解幅值加权，为训练提供物理先验。

κ 的确定：散度定理 + 准蒙特卡洛

对约束方程应用散度定理，把引导项全局系数 κ 的确定转化为积分方程，再用 Sobol 序列均匀采样作准蒙特卡洛积分（体内 5×10⁶ 点、边界 5×10⁴ 点），避免求解额外的方程。

复合损失：L2 + soft-L∞ + 边界

为分辨穿刺点附近的强场局部特征，PDE 损失采用 L2 与 soft-L∞（log-sum-exp 形式）的复合形式，并加入 Robin 边界条件损失；soft-L∞ 既抑制大残差又保持可微性。

EMA 损失平衡策略

各项损失量级可能相差数个数量级，直接相加会由大项主导优化。采用指数移动平均（EMA）为每项损失动态估计尺度并实时归一化，使各项保持可比量级，保证训练稳定收敛。

PINN 框架示意（论文 Figure 1） — 图 1：PINN 框架示意——输入坐标 x 经 MLP 得到 h_θ，再经硬约束模块输出 u_θ；PDE 残差与边界残差构成损失，优化器据此更新网络参数。（论文 Figure 1）

RESULTS

主要结果

我们在等质量无自旋双黑洞基准算例（m₊ = m₋ = 0.5，位于 x = ±3，线动量 P_y = ±0.2）上验证了方法，并与 TwoPunctures 谱方法参考解逐点比较。

基准算例结果：损失曲线、L2RE 收敛、1D 与 2D 对比（论文 Figure 2） — 图 2：基准算例结果。(a) L2 损失随训练步数单调下降；(b) 相对 L2 误差（L2RE）快速收敛至约 1.7%；(c) 沿 x 轴的解与 TwoPunctures 参考解高度重合，插图为穿刺点附近的放大；(d) z ≈ 0 平面上的参考解、PINN 预测与二者之差。（论文 Figure 2）

去掉解析引导的对照结果（论文 Figure 3） — 图 3：去掉解析引导的对照结果——L2 损失虽持续下降，L2RE 却停滞在约 24%，穿刺点附近振幅被系统性低估，说明最小化配点残差并不等价于获得全局精确解。（论文 Figure 3）

表 2：四类典型双黑洞位形的 L2RE（5 次独立运行）
位形	参数	L2RE
等质量无自旋	m₊ = m₋ = 0.5, P_y = ±0.2, x = ±3	0.0172 ± 0.0040
等质量自旋	m₊ = m₋ = 0.5, P_y = ±0.2, S_z = 0.2, x = ±3	0.0838 ± 0.0319
不等质量无自旋	m₊ = 3, m₋ = 2, P = (0.1, 0.25)/(0.2, −0.25), x = ±8	0.0077 ± 0.0007
不等质量自旋	m₊ = 3, m₋ = 1, P_y = 0.3/−0.2, S_z = 0.1/0.2, x = ±5	0.0889 ± 0.0250

不等质量无自旋位形结果（论文 Figure 9） — 图 9：不等质量无自旋位形（m₊ = 3，m₋ = 2，位于 x = ±8）——精度最高的算例，L2RE = 0.0077 ± 0.0007，整个计算域内最大绝对误差约 2×10⁻⁵。（论文 Figure 9）

等质量自旋位形结果（论文 Figure 8） — 图 8：等质量自旋位形（m₊ = m₋ = 0.5，S_z = 0.2）——自旋使问题更难，L2RE 约 8%，但训练仍稳定收敛。（论文 Figure 8）

不等质量自旋位形结果（论文 Figure 10） — 图 10：不等质量自旋位形（m₊ = 3，m₋ = 1，S_z = 0.1 / 0.2）——主要误差集中在穿刺点附近的强场区域，远场精度依然很高。（论文 Figure 10）

DISCUSSION

讨论与未来展望

我们正在开发参数化的 PINN 初始数据求解器：让网络在一定的物理参数范围内训练，超参数可由系统物理参数自适应确定，从而减少人工调参并提升求解效率。

最终目标是构建自动化的初始数据生成框架，为所有双黑洞系统乃至所有致密双星并合系统（CBC）提供依赖参数的数值解——如同后牛顿波形公式那样，但由神经网络直接给出数值解。

该工作与 AMSS-NCKU 的初始数据模块紧密相关：论文以 TwoPunctures 谱方法解作为精度基准，与 AMSS-NCKU 内置的 TwoPuncture 代码同属“穿刺 + 谱方法”求解路线。

返回：相关应用相关文献