TGSR-PINN：面向物理信息神经网络逆向迁移的靶目标引导选择性重加权方法
arXiv新论文提出TGSR-PINN，通过神经元靶向评分与选择性软衰减，缓解跨物理场迁移中的负迁移问题，在参数恢复与场误差之间取得平衡。
AI解读：物理信息神经网络（PINN）在处理偏微分方程逆问题时，常因损失竞争和参数补偿而难以准确恢复物理参数。迁移学习虽可复用源任务表示，但直接微调在源与目标物理规律不一致时会产生负迁移——表现为场误差低但参数恢复偏差大。论文提出的TGSR-PINN通过两步机制解决这一矛盾：先独立初始化目标物理参数，再对固定批次数据上的神经元进行一阶泰勒敏感性与预激活方差评分，用高斯混合模型将评分转为连续弱适应信号，最后对相应输入权重行和偏置施加有界选择性软衰减，而非剪枝或重置。在零源高Péclet数入流–出流问题、Allen–Cahn到Burgers跨PDE迁移以及含 5% 噪声的反应–扩散逆问题实验中，TGSR-PINN均提升了参数恢复精度且维持低场误差。消融实验表明，神经元靶向评分、弱适应估计、层保护与选择性软衰减共同贡献了最终收益。对从事PDE逆问题求解或PINN迁移学习的研究者而言，该方法提供了避免负迁移的细粒度参数调优框架，尤其适用于快速适应目标任务且无需大量重训的场景。但论文目前仅基于数值实验验证，尚未涉足真实世界高维度或更复杂物理系统，实际鲁棒性需更多测试确认。
arXiv预印本（编号 2607.05271，v2于 2026 年 9 月 3 日更新）提出一种名为TGSR-PINN的目标引导选择性重加权方法，用于物理信息神经网络（PINN）的逆向迁移学习。该方法旨在解决源任务与目标任务物理规律不一致时，直接微调导致的负迁移问题——即场误差低但参数恢复不准确。作者为Qian Hu、Bin Fan、Yao Xiao、Zhicheng Lin和Meixin Xiong，论文归类于机器学习（cs.LG），并被引用为arXiv:2607.05271v2 [cs.LG]。
方法与实验
TGSR-PINN的具体做法是：迁移源网络的权重和偏置，但独立初始化目标任务的物理参数。在短暂的目标适应后，它利用固定批次上的泰勒一阶敏感性和预激活方差对神经元进行评分，再将分数通过高斯混合模型（附排名回退机制）转换为连续的弱适应信号。随后对相应输入权重行和偏置施加有界的选择性软衰减，整个过程不进行剪枝或重置。
论文在三类实验上验证了方法：零源高Péclet数入流–出流问题（含非零Dirichlet数据与出流边界层）、Allen–Cahn到Burgers的跨PDE迁移，以及含 5% 噪声的反应–扩散逆问题。结果显示，TGSR-PINN在保持低场误差的同时，改善了参数恢复。消融研究表明，神经元靶向评分、弱适应估计、层保护以及选择性软衰减共同促进了这些改进。