DInf-Grid：一种基于可微特征网格的神经微分方程求解器

论文信息

标题: DInf-Grid: A Neural Differential Equation Solver with Differentiable Feature Grids

作者: Navami Kairanda, Shanthika Naik, Marc Habermann, et al.

发布日期: 2026-01-15

arXiv ID: 2601.10715v1

PDF 链接: 下载 PDF

3 分钟速览

• 研究问题：现有的神经微分方程求解器（如坐标多层感知机）训练缓慢，而基于特征网格的方法虽然高效但缺乏高阶可微性，无法用来求解需要梯度和拉普拉斯算子的微分方程。本文要解决的正是这一组矛盾。
• 核心方法：将可学习的特征网格与无限可微的高斯径向基函数（RBF）插值相结合，并叠加多分辨率网格来加快全局梯度传播，使模型能在网格结构上直接计算高阶导数，从而支撑微分方程约束下的训练。
• 关键结果：在泊松方程图像重建、赫姆霍兹方程、布料仿真等多个任务上，本方法比基于正弦激活函数的 Siren 网络训练速度快 5–20 倍，同时保持相当的重建精度。
• 主要局限：RBF 插值对高维输入（如三维以上）计算代价较高；高斯核形状参数需要人工调节，可能带来过度平滑或边界误差（Runge 现象）；整体效率仍不及传统多网格数值求解器。
• 适合读者：从事物理仿真、神经隐式表示、计算机图形学、科学计算以及希望加速 PINNs 训练的研究者和工程师。

论文背景和研究动机

许多物理问题都可以归结为从微分方程（DE）中恢复未知场 $\mathbf{u}(\mathbf{x})$。近年来，使用神经网络直接作为解的连续参数化形式（即神经求解器）受到广泛关注。其中以 Siren 网络为代表的坐标基 MLP，凭借正弦激活函数实现了无限可微性，能够拟合高频信号并接受梯度、拉普拉斯等高阶监督。然而，这类方法本质上是全局场近似，训练过程中需要为每一个采样坐标反向传播整个 MLP，导致计算开销大，训练常需数小时。

另一方面，在高保真场景表示领域，显式的特征网格及其变体（如 Instant-NGP、K-Planes）利用空间局部性大幅提升了训练与推理速度。但这些结构普遍依赖双线性插值或 ReLU 类激活，其一二阶导数在网格边界消失或为常数，无法提供求解微分方程所需的高阶梯度。

论文恰好抓住了这一冲突：能否设计一种既保留网格结构的计算高效性，又拥有完全连续可微特性的表示？这构成了 DInf-Grid 方法的核心动机（见论文第 1 节）。

核心方法和技术细节

DInf-Grid 的整体框架是一种编码器-解码器结构：场 $\mathbf{u}(\mathbf{x})$ 被分解为特征编码器 $\mathbf{f}(\mathbf{x};\mathbf{F})$ 和一个小型解码器 $\mathbf{d}(\cdot;\Theta)$ 的复合，即 $\mathbf{u}(\mathbf{x}) = \mathbf{d}(\mathbf{f}(\mathbf{x};\mathbf{F});\Theta)$。编码器部分是一组可学习的空间特征网格，解码器可以是线性层或浅层 MLP。

可微的径向基函数插值

传统网格方法查询特征时使用双线性插值（式 6），导致 $\nabla_{\mathbf{x}}^2 \mathbf{u} = 0$ 等不连续问题。DInf-Grid 改用高斯 RBF 插值：

$$w(\mathbf{x},\mathbf{x}_i) = \frac{\varphi(\|\mathbf{x} - \mathbf{x}_i\|)}{\sum_{j\in\mathcal{N}} \varphi(\|\mathbf{x} - \mathbf{x}_j\|)}, \quad \varphi(r) = e^{-(\varepsilon r)^2}$$

其中 $\varepsilon$ 控制核宽度。该插值具有 $C^\infty$ 平滑性，支持对输入坐标的任意阶自动微分，从而能够精确计算梯度、雅可比和海森矩阵。

为了提高效率，作者提出结构化采样与预计算邻域的策略。利用分层随机采样生成均匀覆盖域的训练点，并针对 Gauss 核的有效支撑范围预先确定邻域环数（例如 $\varepsilon=1$ 时使用 3 环邻域），避免运行时的全局搜索（图 3）。

多分辨率特征网格

单分辨率网格虽然能捕捉局部梯度，但梯度信息需多次迭代才能传遍全域。受 Instant-NGP 启发，DInf-Grid 使用一组不同分辨率的共置网格 $\{\mathbf{F}_s\}$，精细网格捕捉高频细节，粗糙网格传播全局结构。查询时将所有尺度的 RBF 插值特征拼接起来，送入解码器。这样在不显著增加参数量的前提下，大幅提高了收敛速度和重建质量（图 7、图 II）。

微分方程损失与硬边界约束

模型的训练目标直接建立在对微分方程离散残差的优化上：

$$\mathcal{L} = \int_\Omega \mathcal{F}\big(\mathbf{x},\mathbf{u},\nabla\mathbf{u},\nabla^2\mathbf{u},\dots; g(\mathbf{x})\big) d\mathbf{x}$$

可为不同 PDE 定制具体形式，如泊松方程的梯度/拉普拉斯监督（式 8）、赫姆霍兹方程的复数域损失（式 10）或 Kirchhoff-Love 壳模型的能量极小化（式 11）。为确保解的唯一性，论文统一采用距离加权的硬边界约束（式 5），将 Dirichlet 或初始条件强加于网络输出，有效改善了训练稳定性。

创新点和贡献

1. 首次实现网格表示+高阶可微性：将高斯 RBF 插值引入特征网格，使其能够连续且无限可微地表示场及其各阶导数，解决了以往网格方法无法求解 DE 的根本障碍。
2. 多分辨率共置网格加速全局梯度流：通过在不同尺度上同时优化局部和全局特征，显著加快了训练收敛，并使模型能在几秒到几分钟内获得解，而 Siren 需要数十分钟到数小时（见表 1）。
3. 统一的 DE 求解框架：同一架构可处理从泊松方程、赫姆霍兹方程、程函方程到薄壳仿真等多种偏微分方程，且可直接拟合信号（如 SDF、图像），无需任何结构修改。
4. 对现有方法的系统性对比：论文不仅与 Siren 比较，还与 K-Planes、Instant-NGP 和 NeuRBF 进行了对照实验，证明了这些网格方法在纯微分约束下完全失效或发散，进而凸显 DInf-Grid 的独特价值（图 4、图 5、图 V）。

实验结果分析

泊松方程图像重建（第 4.1 节）：在仅给定梯度或拉普拉斯图像的情况下，DInf-Grid 重建出高分辨率图像（512×512），PSNR 达 32.24 dB（梯度监督），相比之下 Siren 仅 32.12 dB，而 DInf-Grid 训练时间仅为 25 秒，Siren 需要 10 分钟（表 1）。K-Planes 因线性插值导数不连续，梯度场无法反传，直接失败。

赫姆霍兹方程（第 4.2 节）：求解中心点源激发的稳态波场，$\omega=20$ 时 DInf-Grid 与解析解高度吻合，训练速度是 Siren 的 4 倍；K-Planes 和 Instant-NGP 均因二阶导数为零而崩溃（图 5）。在更高波数 $\omega=30,40$ 下，DInf-Grid 仍保持良好精度，仅在 $\omega=40$ 的源点附近出现较小误差（论文附录表 I）。

布料仿真（第 4.3 节）：采用 Kirchhoff-Love 薄壳理论，通过能量极小化直接求解静态变形。DInf-Grid 在 $64\times64$ 网格下仅用约 4.37k 参数便生成了包含丰富褶皱的布料形态（图 6）。相比之下，基于线性插值的 Grid 方法因无法计算弯曲应变而完全失效。

信号拟合与程函方程（第 4.4 节及附录 C）：DInf-Grid 既能直接从有向点云解出 3D 形状的 SDF（图 V），也能仅凭梯度图恢复图像，而 NeuRBF 即使以其专有的信号依赖初始化方式，仍无法收敛（PSNR 10.85，SSIM 0.17），验证了 DInf-Grid 在微分监督下的独特优势。

实践建议

对于从事人工智能、物理仿真或科学计算的实践者，DInf-Grid 提供了一种即插即用的高效求解方案。以下建议可供参考：

1. 替换 Siren 作为默认神经场。当你的任务涉及梯度场、拉普拉斯场或高阶 PDE 监督时，可直接用 DInf-Grid 替代坐标基 MLP。根据论文方法，只需将损失函数设置为 PDE 残差，并采用分层采样生成训练点，即可在短时间内获得平滑解。
2. 多分辨率网格的适用设置。经验性地，$\varepsilon=1$ 配合 3 环邻域提供了良好的效率与精度平衡（见消融实验表 2）。在二维问题中，可选用 4 级分辨率（最大网格边长 512），三维问题可降为 56 左右以控制参数总量。对于超高波数的赫姆霍兹问题，可适当增大最大网格分辨率并增加训练迭代数。
3. 硬边界约束的实施。与 PINNs 常用的软约束惩罚项不同，论文所采用的基于距离的调制函数 $\mathcal{B}(\mathbf{x})$ 能更稳定地满足 Dirichlet 边界条件，尤其在逆问题或不规则域问题上，建议优先采用。
4. 实际性能优化。目前 DInf-Grid 用 PyTorch 实现，RBF 插值在三维以上仍较慢。对于实时性要求不高的离线仿真，可直接使用；若追求极致速度，可考虑定制 CUDA 内核来并行计算 RBF 权重和邻域聚合，以逼近线性插值的效率。
5. 结合传统数值方法。论文作者指出，DInf-Grid 在纯粹的速度上尚不及多网格求解器。在工程中，可将其作为微分约束下的 “连续代理模型”，先用传统快速求解器产生大量解样本，再用 DInf-Grid 进行元学习或快速插值，从而结合二者长处。