ICASSP 2026 - 声学建模

共 1 篇论文

← 返回 ICASSP 2026 总览

📋 论文详情

🥇 Solving the Helmholtz Equation Via Physics-Informed Neural Networks with an Adaptive Weighting Strategy

✅ 6.5/10 | 前50% | #声学建模 | #物理信息神经网络 | #自适应学习

👥 作者与机构

• 第一作者：Yanan Guo（国防科技大学气象与海洋学院）
• 通讯作者：未说明
• 作者列表：Yanan Guo（国防科技大学气象与海洋学院），Junqiang Song（国防科技大学气象与海洋学院），Xiaoqun Cao（国防科技大学气象与海洋学院），Hongze Leng（国防科技大学气象与海洋学院）

💡 毒舌点评

论文的核心动机——解决PINN训练中多损失项收敛速率不平衡的问题——是真实且重要的，提出的“逆残差衰减率”权重机制在理论上具有吸引力。然而，其验证过程显得过于“温室化”，仅用两个低维、规则、解析解已知的“玩具问题”就宣称方法有效，缺乏对高频波、复杂几何或实际噪声数据等更具挑战性场景的拷问，大大削弱了其声称的普适性和鲁棒性，读起来更像一个初步的概念验证而非完整的解决方案。

🔗 开源详情

• 代码：论文中未提及代码链接。
• 模型权重：未提及。
• 数据集：未提及（论文使用自构造的合成数据）。
• Demo：未提及。
• 复现材料：论文描述了网络架构（层数、神经元数、激活函数）、优化器（Adam）、学习率（三维为0.001）、训练步数（三维为20k）。但核心的自适应参数（如β_w, β_s, ε）的具体值、损失函数中γ^R/γ^B的取值、采样策略等细节未充分提供。
• 论文中引用的开源项目：未提及依赖的特定开源工具或模型。
• 论文中未提及开源计划。

📌 核心摘要

这篇论文旨在解决物理信息神经网络（PINN）在求解亥姆霍兹方程时，因不同损失项（PDE残差、边界残差）收敛速率不一致而导致的训练缓慢和精度不足问题。核心方法是提出一种点级自适应加权策略，通过计算每个配点的“逆残差衰减率”（基于当前残差与历史残差四阶矩的比值），动态分配权重，给予收敛慢的点更高关注度；同时引入全局缩放因子以维持有效学习率稳定。与传统使用固定权重或简单基于残差大小的自适应方法相比，该方法更精细地刻画了训练过程中的时空异质性，并提供了训练稳定性的理论分析。在二维和三维的规则域、具有解析解的亥姆霍兹方程数值实验中，该方法相对于标准PINN显著降低了预测误差（二维相对L2误差从5.70e-3降至7.85e-4，三维从8.02e-3降至9.55e-4），并将训练时间缩短至约一半。该研究为利用PINN进行复杂声场重建提供了一种更高效的训练框架，但其在复杂实际问题中的有效性仍需进一步验证。主要局限性是实验场景过于简单，未与其它先进的自适应PINN方法进行直接对比，且缺乏对超参数敏感性和泛化能力的分析。