GNN + Autograd 技术路径文献调研

Physics-informed GNN 总体范式与 PDE 软约束基线

这一组是本次调研的"背景与判别基准":它们都在图上做物理方程约束,但主要形态是 GNN 输出后(或结合离散弱形式/变分形式)把 PDE 残差作为损失项或约束项加入训练,并未把空间微分嵌入消息传递内部。把它们集中列出,一是为了界定"PDE 残差作 Loss ≠ 导数嵌入 Message Passing"这一关键区别(调研要求第三节第 5 条),二是为了识别其中少数确实使用了 Autograd 的工作(如 SGPINN 的时间导数、PGGNO 的可微物理残差)与仅用预计算算子/形状函数梯度的工作(如 data-free 弱形式 GNN)之间的分野,避免按关键词误归类。包含电磁 Maxwell 变分形式、Laplace-Beltrami 本征对 dPINN、结构力学 DeepONet、数据中心热场等应用。

GNN 上的 Autograd / 解析微分与梯度增强监督(高阶导数能力)

这一组回答"在 GNN 上通过自动微分到底能拿到什么阶数的导数、这些导数是否等于物理空间导数"这一前置问题。共同点是:都以 GNN(或等变图网络、图算子)为载体,用 Autograd 或解析梯度显式求取一阶梯度、二阶导数/Hessian 或灵敏度矩阵,但导数的用途主要是构造训练目标(梯度监督、Hessian 正则、场-梯度自洽、顺式灵敏度一致性),而非作为下一层消息传递的输入特征。因此它们为本次构想提供了"可行性证据 + 计算开销证据"(二阶导的显存/时间代价),同时也是需要严格区分的对照:对坐标求导/预测梯度场,并不自动等于在局部消息传递内部获得了连续物理场偏导数。

物理量/几何张量嵌入消息传递通道的 derivative-aware 近似工作

这一组最接近本次调研的核心技术构想,是"把物理/几何微分信息送进 message passing 而不是只送进 loss"的代表性探索:Navier-Stokes 项作为边特征参与聚合、以边局部参考系保证旋转等变与平移不变的守恒量消息、由隐式场景场梯度驱动并反传可微积分器的粒子图网络、以及在同一科学问题上直接对照"连续场 AD(F-PINN)"与"图消息传递(F-GNN)"两种范式的比较研究。集中为一组,是因为它们分别从"边特征注入物理微分项""边局部坐标系与等变性""隐式场梯度驱动""AD 与消息传递范式对照"四个角度,为"局部相对坐标 + 可微消息"的可行性提供了最直接的证据与实验参照;同时也要指出它们的共同局限——导数多为预计算或由外部连续场提供,尚未在每条边上把消息写成关于局部查询坐标的可微函数并在原点处求高阶导。

局部连续重构与高阶导数一致性的数学工具基础(RBF / 再生核 / 局部 stencil / 可微有限元)

这一组提供实现"每条边消息为关于局部查询坐标的可微函数、并在节点自身位置稳定取得二阶导数"所必需的数学与算子基础:局部 RBF 与 RBF-Hermite 局部 stencil 对 Laplace 算子的高精度逼近、单位分解式局部 meshfree 方法在不规则域上的适用性、再生核/隐式梯度框架下的任意阶导数与多项式再生(polynomial reproduction)条件、基于有限元形状函数梯度而非 AD 的弱形式残差计算,以及按单纯形重心坐标构造、可通过自定义反向微分规则在同一计算图中同时获得函数值与空间梯度的稀疏连接网络表示。它们共同回答"多项式完备性、变节点密度下的导数精度、边界附近局部重构、非结构网格适用性"这些关键考察点,是本构想在消息级局部重构层的可直接借鉴技术。

GNN + Autograd 技术路径文献调研

本组文献围绕"GNN + Autograd"技术路径展开,分为四条主线:(1) Physics-informed GNN 的总体范式与 PDE 软约束基线,用于界定"PDE Loss 作为损失项"与"导数是网络内部特征"的区别;(2) 通过 Autograd/解析微分在 GNN 上获取一阶、二阶乃至 Hessian 级别导数,并将其作为监督或结构一致性目标的梯度增强类工作;(3) 真正把 PDE 项、几何量或隐式场梯度放进消息传递通道的近似 derivative-aware message passing 工作;(4) 为"局部连续重构 + 稳定高阶导数"提供数学基础的 meshfree/RBF/再生核/局部 stencil 与可微有限元表示。注意到:现有文献中尚无一例完整实现"局部相对坐标依赖的 Message → 在节点自身位置 Autograd 求导 → 导数增强 Message Passing → PDE Loss"闭环;多数工作停留在其一端(要么导数只进 Loss,要么 PDE 项只是预计算边特征),这正是本调研需要明确指出的研究空白。

让 AI 读完这 25 篇文献,进入工作区深入研究
研究方向与代表作共识与分歧研究空白与可做的问题
共 25 篇文献,4 个研究方向
Physics-informed GNN 总体范式与 PDE 软约束基线

这一组是本次调研的"背景与判别基准":它们都在图上做物理方程约束,但主要形态是 GNN 输出后(或结合离散弱形式/变分形式)把 PDE 残差作为损失项或约束项加入训练,并未把空间微分嵌入消息传递内部。把它们集中列出,一是为了界定"PDE 残差作 Loss ≠ 导数嵌入 Message Passing"这一关键区别(调研要求第三节第 5 条),二是为了识别其中少数确实使用了 Autograd 的工作(如 SGPINN 的时间导数、PGGNO 的可微物理残差)与仅用预计算算子/形状函数梯度的工作(如 data-free 弱形式 GNN)之间的分野,避免按关键词误归类。包含电磁 Maxwell 变分形式、Laplace-Beltrami 本征对 dPINN、结构力学 DeepONet、数据中心热场等应用。相关文献:Lin Lu et. al, 2025 等 10 篇文献

GNN 上的 Autograd / 解析微分与梯度增强监督(高阶导数能力)

这一组回答"在 GNN 上通过自动微分到底能拿到什么阶数的导数、这些导数是否等于物理空间导数"这一前置问题。共同点是:都以 GNN(或等变图网络、图算子)为载体,用 Autograd 或解析梯度显式求取一阶梯度、二阶导数/Hessian 或灵敏度矩阵,但导数的用途主要是构造训练目标(梯度监督、Hessian 正则、场-梯度自洽、顺式灵敏度一致性),而非作为下一层消息传递的输入特征。因此它们为本次构想提供了"可行性证据 + 计算开销证据"(二阶导的显存/时间代价),同时也是需要严格区分的对照:对坐标求导/预测梯度场,并不自动等于在局部消息传递内部获得了连续物理场偏导数。相关文献:Nils Gönnheimer et. al, 2025 等 5 篇文献

物理量/几何张量嵌入消息传递通道的 derivative-aware 近似工作

这一组最接近本次调研的核心技术构想,是"把物理/几何微分信息送进 message passing 而不是只送进 loss"的代表性探索:Navier-Stokes 项作为边特征参与聚合、以边局部参考系保证旋转等变与平移不变的守恒量消息、由隐式场景场梯度驱动并反传可微积分器的粒子图网络、以及在同一科学问题上直接对照"连续场 AD(F-PINN)"与"图消息传递(F-GNN)"两种范式的比较研究。集中为一组,是因为它们分别从"边特征注入物理微分项""边局部坐标系与等变性""隐式场梯度驱动""AD 与消息传递范式对照"四个角度,为"局部相对坐标 + 可微消息"的可行性提供了最直接的证据与实验参照;同时也要指出它们的共同局限——导数多为预计算或由外部连续场提供,尚未在每条边上把消息写成关于局部查询坐标的可微函数并在原点处求高阶导。相关文献:Amirkhosro Kazemi et. al, 2024 等 4 篇文献

局部连续重构与高阶导数一致性的数学工具基础(RBF / 再生核 / 局部 stencil / 可微有限元)

这一组提供实现"每条边消息为关于局部查询坐标的可微函数、并在节点自身位置稳定取得二阶导数"所必需的数学与算子基础:局部 RBF 与 RBF-Hermite 局部 stencil 对 Laplace 算子的高精度逼近、单位分解式局部 meshfree 方法在不规则域上的适用性、再生核/隐式梯度框架下的任意阶导数与多项式再生(polynomial reproduction)条件、基于有限元形状函数梯度而非 AD 的弱形式残差计算,以及按单纯形重心坐标构造、可通过自定义反向微分规则在同一计算图中同时获得函数值与空间梯度的稀疏连接网络表示。它们共同回答"多项式完备性、变节点密度下的导数精度、边界附近局部重构、非结构网格适用性"这些关键考察点,是本构想在消息级局部重构层的可直接借鉴技术。相关文献:M. Hillman et. al, 2020 等 6 篇文献