【刚性 PINN 与时间自适应策略】第三章：时间自适应配点技术

3.1 残差驱动的自适应采样原理

物理信息神经网络的精度高度依赖于时空域内配点的分布质量。均匀采样策略在解变化平缓区域造成计算冗余，而在梯度剧烈变化区域则分辨率不足。残差驱动的自适应采样通过监测偏微分方程残差的局部分布，动态调整配点密度，实现计算资源的优化配置。

3.1.1 误差指示器的设计

误差指示器是自适应采样的核心组件，负责量化局部数值误差并指导采样点的重新分布。有效的指示器应能捕捉解的多尺度特征，同时避免过度敏感的振荡。

3.1.1.1 基于PDE残差绝对值的贪婪采样

贪婪采样策略将配点优先布置于残差绝对值最大的区域。定义残差函数 R(x,t)=∂t∂uθ​​−N[uθ​] ，其中 N 表征空间微分算子。误差指示器 I(x,t)=∣R(x,t)∣p 的 p 次幂通常取 p=1 或 p=2 以平衡敏感性与稳定性。

Igreedy​(x,t)=​∂t∂uθ​​−N[uθ​]​

贪婪算法的实施遵循迭代细化模式。在每一训练周期，基于当前网络参数计算全域残差分布，识别残差峰值位置并在此处加密配点。新配点的插入可采用Delauay三角化或径向基函数插值确保几何质量。该策略的收敛性由残差的单调递减保证，但在刚性系统中，初期残差分布可能严重偏离真实误差，需结合预热机制避免早期误采样。

3.1.1.2 基于梯度的误差估计方法

梯度型误差指示器利用解的几何特性识别高曲率区域。定义梯度范数 G(x,t)=∥∇uθ​∥ 与Hessian矩阵范数 H(x,t)=∥∇2uθ​∥F​ ，复合指示器