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 PINN（Raissi 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 PINN（cPINN）用于守恒律；hp-VPINN 采用分区多项式提升精度；贝叶斯 PINN（B-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：
-
DeepONet（Lu 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 FNO（Li 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 FNO（AFNO）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、Transolver（2024） 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（HNN）（Greydanus 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。
-
MeshGraphNets（Pfaff 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 GNS（Graph 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：GenCast（Google 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。
