知识卡片：PG-KINN：基于彼得罗夫-伽辽金格式的物理信息KAN网络求解正反偏微分方程

一句话结论
PG-KINN 将 Kolmogorov-Arnold Network（KAN）作为试验空间，配合紧支撑分段多项式测试空间，通过 Petrov-Galerkin 弱形式集成物理信息，在裂纹奇异性、超弹性、逆参数识别等力学基准上一致优于传统 MLP 及现有 KAN 强/能量/逆形式方法（PIKAN）。

事件概述或研究问题
物理信息学习 PDE 长期由 MLP 主导，但 MLP 存在谱偏差和密集参数化限制精度与可解释性。KAN 因其可学习样条激活函数与经典离散化的分段多项式基在结构上对齐，缓解了这些问题。然而，将 PDE 转化为损失函数的方式同样关键：强形式残差最小化需要高阶导数和重加权损失；能量（Bubnov-Galerkin）形式仅适用于自伴算子，且在参数识别问题中会退化为平凡解；边界积分形式要求已知基本解。本文提出 PG-KINN，旨在克服上述局限，适用于非自伴、非线性及逆问题。

方法/产品要点

采用 Petrov-Galerkin 格式：试验空间为 KAN，测试空间为独立、紧支撑的分段多项式空间，通过 Gauss-Legendre 求积评估。
分部积分降低微分阶数，同时保持对一般非自伴、非线性和逆问题的适用性。
局域测试函数将全局残差转化为一组单元弱残差，改善条件数。
框架可同时处理 forward（正问题）和 inverse（逆参数识别）PDE 问题。

主要结果或产业意义
在涵盖裂纹奇异性、应力集中、Neo-Hookean 超弹性、非均质介质逆参数识别及复杂几何结构的基准测试中，PG-KINN 持续优于传统 MLP 基线以及基于 KAN 的强形式/能量形式/逆形式方案（PIKAN）。具体数值结果未在摘要中列出，需查阅全文确认（待核实）。该工作表明 Petrov-Galerkin 耦合 KAN 试验空间与多项式测试空间为 AI 计算力学提供了一条稳健且准确的路径。

为什么重要

首次在物理信息框架中系统引入 Petrov-Galerkin 弱形式与 KAN 试验空间的组合，打破了此前仅关注 MLP 或 KAN+强形式的范式。
解决了现有 KAN 物理信息方法在非自伴算子和逆问题上的失效缺陷，扩大了可解问题类型。
相比于已有相关卡片（如 PINN 用于双材料波传播、脑微出血检测、MLIP 优化器），本工作聚焦于计算力学中 PDE 求解的底层数值格式创新，属于方法论层面的贡献。

局限与不确定性

论文当前版本未在摘要中提供详细数值对比，具体性能提升幅度需要阅读全文确认。
测试空间的分段多项式支撑尺寸和阶次对精度的影响尚待进一步系统性分析。
对于极高维或超大规模问题，KAN 的网络规模与计算开销可能成为瓶颈，文中未涉及可扩展性讨论。

可用于图书/PPT/简报的角度

以“从 MLP 到 KAN，再到 Petrov-Galerkin 格式”为主线，展示物理信息学习数值格式的演进。
强调“选择损失函数形式与选择网络架构同等重要”这一关键洞察。
结合实际力学问题（裂纹、超弹性、逆参数识别）的 benchmark 说明方法通用性。
对比传统有限元与 AI 方法的异同，突出“弱形式+局部测试函数”对条件数的改善。

原始材料

标题：PG-KINN: A Physics-Informed Petrov-Galerkin Kolmogorov-Arnold Network for Solving Forward and Inverse PDEs
arXiv ID：2607.20378v1
关键词：Physics-informed learning, PDEs, Kolmogorov-Arnold Network, Petrov-Galerkin method, computational mechanics
来源：https://arxiv.org/abs/2607.20378v1