2025年6月，美国犹他大学工程学院团队在《自然·通讯》上发表了一项引人瞩目的研究：他们设计了一种名为光学神经引擎（Optical Neural Engine, ONE）的新型设备，将偏微分方程的信息编码到光波中，利用光的传播特性直接求解方程。当光波穿过一系列光学元件时，光信号随传播过程不断演化，最终呈现出对应于特定PDE解的状态。这篇论文标志着光学计算从理论探索向实际应用迈出了关键一步，也让一个古老而基础的问题再次进入公众视野——我们该如何高效地求解偏微分方程？
偏微分方程（Partial Differential Equations, PDEs）是现代科学的通用语言。从纳维-斯托克斯方程描述的湍流，到麦克斯韦方程组刻画的电磁场，从爱因斯坦场方程揭示的时空弯曲，到薛定谔方程预言的量子行为，几乎所有连续物理现象都可以被归结为某种形式的PDE。然而，这些方程的解析解极为罕见，绝大多数情况下只能依赖数值方法在计算机上逼近求解。这就是偏微分方程数值解法与科学计算领域的核心使命——用离散化的代数问题逼近连续的真实世界。
传统数值方法的三板斧
在AI方法兴起之前，PDE数值求解领域已经建立了三套成熟的武器库：有限差分法、有限元法和谱方法。
有限差分法是最直观的思路。它将连续的求解域用网格覆盖，用差商代替微商，把微分方程转化为代数方程组。优点是实现简单、并行性好；缺点是对复杂几何边界的适应性较差，且高阶精度的格式构造颇为困难。
有限元法则更加灵活。它先将求解域剖分成三角形或四面体网格，在每个单元上构造局部基函数，再通过变分原理组装全局方程。这种方法对复杂几何的适应性极强，是结构力学、电磁仿真等工程领域的绝对主力。谱方法走的是另一条路。它利用正交多项式（如傅里叶基、切比雪夫基）作为全局基函数，在光滑问题上能达到指数级收敛精度。不过，这三类方法都面临一个共同的瓶颈：网格。当问题维度升高、几何变复杂、多尺度现象交织时，网格生成本身就成了一个困难的子问题。 finer网格意味着更高的精度，但也意味着指数级增长的计算量。三维问题的精细网格动辄产生数亿甚至数十亿个自由度，对内存和算力提出了苛刻的要求。
AI的入侵：PINN与神经算子
2019年，Raissi等人提出了物理信息神经网络（Physics-Informed Neural Networks, PINN），开创了一个全新的研究方向。PINN的核心思想是将PDE的控制方程、初始条件和边界条件直接编码进神经网络的损失函数，让网络在训练过程中”学会”满足物理定律。这样一来，求解PDE就变成了一个神经网络的优化问题，无需显式地生成和求解大规模线性方程组。
科睿唯安与中国科学院联合发布的《2025研究前沿》报告将”物理引导神经网络在偏微分方程求解中的方法与应用”列为数学领域的十大热点前沿之一。2025年4月，国防科技大学任睿轩等人在《国防科技大学学报》上发表的研究表明，通过融合维度扩展机制和多物理损失函数，改进后的PINN方法在不同PDE案例上实现了最高两个数量级的精度提升。（https://www.nudt.edu.cn/）
PINN的优势在于无需网格、对几何适应性强、天然适合逆问题求解。但它的缺点同样明显：训练成本高、对高频和多尺度问题的拟合能力不足、缺乏严格的误差估计理论。为此，研究者发展出了一系列改进方向——变分型vPINN、域分解型hp-vPINN、傅里叶神经算子（FNO）、深度算子网络（DeepONet）等。神经算子的思想更进一步：不训练一个网络求解单个PDE，而是训练一个网络学习从PDE参数到解的映射算子，一旦训练完成，对新参数的推理几乎是瞬时的。
值得注意的是，PINN和神经算子对硬件的需求与传统数值方法有本质不同。传统方法主要依赖CPU的大规模稀疏线性代数运算，而PINN的训练过程本质上是一场深度学习任务，对GPU的矩阵计算能力和显存容量提出了高要求。这意味着，从事PDE数值解研究的课题组在配置计算设备时，必须根据研究方向的倾向性做出取舍。
量子计算的”薛定谔化”尝试
如果说PINN是用AI加速数值求解，那么量子计算则为PDE求解提供了另一条可能的路径。2025年，上海交通大学金石教授团队提出了一种偏微分方程量子计算的”薛定谔化”算法，能够在高一维空间将所有线性PDE转变为薛定谔类型的方程，从而直接适配量子计算框架。这项工作被国家自然科学基金委”2024年度报告”选为年度唯一数学巡礼成果。（https://www.nsfc.gov.cn/）
量子计算求解PDE的潜力在于，量子系统本身就可以看作是高维希尔伯特空间中的线性PDE演化。如果能把经典PDE嵌入量子框架，理论上可以获得指数级的加速。当然，当前量子计算机的硬件规模和噪声水平还远不足以支撑有实际意义的PDE求解，但这无疑是一个值得长期关注的前沿方向。
主要软件工具
在PDE数值求解的实践中，软件工具的选择与研究方法密切相关。
对于传统有限元方法，FEniCS和deal.II是开源界的双雄。FEniCS提供了接近数学表达式的Python接口，让有限元代码的编写变得异常简洁；deal.II则以C++底层的高效性和丰富的教程著称。COMSOL Multiphysics作为商业软件，在多物理场耦合仿真领域占据统治地位。ABAQUS和ANSYS则是工程界更熟悉的有限元分析工具。
有限差分和有限体积方法的用户往往选择OpenFOAM（开源CFD平台）或Clawpack（守恒律方程组求解器）。
在AI驱动的方法方面，DeepXDE是目前最成熟的PINN实现框架，支持TensorFlow、PyTorch和JAX三种后端。NeuroDiffEq专注于微分方程求解，API设计简洁。SciANN基于Keras/TensorFlow，适合快速原型开发。此外，MATLAB的Deep Learning Toolbox也提供了PINN的构建和训练功能。
对于神经算子，neuraloperator库实现了FNO、DeepONet等主流算法，是入门的良好选择。
算力需求分析
PDE数值计算对硬件的需求呈现出鲜明的分层特征。
CPU方面，传统有限元和有限差分方法的核心运算是大规模稀疏线性方程组的求解。这类计算对内存带宽极其敏感，同时对缓存容量和核心数也有较高要求。双路服务器平台凭借更多的内存通道和更大的总缓存，通常比单路桌面平台有明显优势。对于中小规模的二维问题，8-16核的桌面工作站即可胜任；三维复杂几何的大规模问题则需要32核以上的服务器级CPU。
内存方面，有限元离散化产生的大型稀疏矩阵对内存容量提出了直接约束。一个简单的经验法则是：每100万个自由度约需要8-16GB内存。一个中等规模的三维问题（1000万自由度）就需要128GB以上的内存，大规模问题轻松突破512GB。
GPU方面，传统数值方法对GPU的依赖度不高，但PINN和神经算子的训练几乎离不开GPU加速。一个中等规模的PINN模型（5-10层全连接网络，每层128-256神经元）在单张RTX 4090级别的GPU上训练即可，但对于高维问题或神经算子，显存需求会迅速攀升。此外，GPU的双精度浮点性能（FP64）对科学计算至关重要——A100的FP64算力约为9.7 TFLOPS，而消费级RTX 5090仅为163.8 GFLOPS，差距超过50倍。如果研究涉及高精度科学计算，这一差异不可忽略。
存储方面，PDE仿真产生的结果数据量往往惊人。一次时域仿真的三维场数据，每个时间步就可能产生数GB的输出，长期累积下来对存储容量和读写速度都是考验。高速NVMe SSD作为系统盘和临时计算盘，配合大容量SATA硬盘作为数据归档，是较为务实的方案。
聊到这里，一个自然的问题是：如果你的研究方向是偏微分方程数值解法与科学计算，一台什么样的工作站才能真正支撑你的工作？下面给出按性能分级的配置建议。
配置推荐
方案A：入门级科研计算
适用场景：本科/硕士阶段学习、小型二维PDE数值实验、PINN入门训练
推荐机型：A350 156128-MCA
- 价格区间：5~6万
- CPU：Intel Ultra9 285K（24核，8P核全核5.6GHz）+水冷（5.6GHz为全核超频实测优化频率，Intel官方单核最高5.7GHz）
- GPU：Quadro T400
- 内存：128GB DDR5
- 存储：4TB NVMe（14GB/s）
入门级方案以高主频桌面CPU为核心，128GB内存足以应对中小规模的有限元计算，NVMe高速存储保证数据读写不成为瓶颈。此配置适合作为学习平台，运行二维有限元程序和轻量级PINN模型。
方案B：进阶级科研计算
适用场景：课题组日常计算、中等规模三维有限元分析、多物理场耦合仿真
推荐机型：EX660 227128-MCA
- 价格区间：9~10万
- CPU：2×Xeon金牌6530（64核，全核2.7GHz）+水冷
- GPU：RTX A400
- 内存：128GB DDR5
- 存储：4TB NVMe Gen5
- 显存带宽：96GB/s
双路Xeon平台提供64个物理核心和八通道内存，在稀疏线性代数求解上具有显著优势。128GB内存容量可支持千万自由度级别的三维有限元问题，是多数科研课题组的主力配置。
方案C：专家级高性能计算
适用场景：大规模有限元/有限差分计算、PINN深度训练、神经算子研究
推荐机型：EA650 230384-MCB
- 价格区间：12~14万
- CPU：2×AMD霄龙7773X（128核，全核2.8~3.6GHz）
- GPU：Quadro T1000
- 内存：384GB DDR4
- 存储：4TB NVMe Gen5
- 显存带宽：160GB/s
- 结构：塔式
128核AMD霄龙处理器配合384GB海量内存，是有限元仿真的黄金组合。384GB内存足以支撑5000万自由度以上的大规模三维问题，塔式结构也方便课题组内部共享使用。
方案D：极致计算与AI融合
适用场景：超大规模PDE求解、PINN大规模训练、多模态神经算子研究
推荐机型：AlphaPro660 234512-MDT
- 价格区间：34~36万
- CPU：2×AMD霄龙9684X（192核，全核3.5GHz，超大缓存）
- GPU：RTX 5090 32G
- 内存：512GB DDR5
- 存储：8TB NVMe（14GB/s）+20TB SATA
- 显存带宽：1.79TB/s
- 结构：双塔式（双2000W）/27″ 4K
192核超大缓存处理器配合512GB DDR5内存和RTX 5090 32GB显卡，实现了传统科学计算与AI加速的完美融合。无论是亿级自由度的大规模有限元问题，还是参数量庞大的神经算子训练，这台设备都能从容应对。双塔式结构和2000W双电源设计保证了长时间高负载运行的稳定性。
常见问题解答
Q1：做PDE数值计算，CPU重要还是GPU重要？
这取决于你的研究方向。如果主要使用有限元、有限差分等传统方法，CPU是绝对的性能瓶颈，应优先投资多核大内存的服务器平台。如果转向PINN或神经算子，GPU的加速效果极为显著，此时CPU-GPU的均衡配置更为合理。
Q2：有限元仿真对内存的需求如何估算？
一个粗略的估算公式：内存需求（GB）≈ 自由度数量 × 0.013。例如，1000万自由度的三维问题约需128GB内存。此外，时域仿真还要考虑时间步数据的存储，建议在此基础上增加50%-100%的余量。
Q3：PINN真的能够取代传统数值方法吗？
目前还不能。PINN在简单问题和小规模逆问题上表现出色，但在复杂几何、多尺度现象、严格误差控制等方面仍有明显短板。更务实的看法是：PINN与传统方法互补，而非替代。短期内，传统数值方法仍是工程仿真的主力；PINN则在数据稀缺、逆问题求解等场景中展现独特价值。
Q4：做神经算子研究需要什么级别的GPU？
神经算子的训练成本与问题维度、训练样本量和网络深度密切相关。对于二维问题和小规模数据集，单张RTX 4090或RTX 5090即可起步；三维问题和大规模数据集则需要A100或RTX Pro 6000级别的大显存专业卡。
Q5：为什么科学计算工作站常用双路CPU而不是单路？
双路平台的核心优势在于内存通道数量和总缓存容量。以Intel Xeon为例，双路配置提供16条内存通道和更大的LLC缓存，这对内存带宽敏感的稀疏矩阵运算有直接加速效果。此外，双路平台拥有更多的PCIe通道，为多GPU扩展留有余地。
Q6：开源软件和商业软件该如何选择？
对于学术研究，开源工具（FEniCS、deal.II、OpenFOAM、DeepXDE）通常足够且免费，同时便于算法定制和代码复现。对于工程应用和复杂多物理场耦合，商业软件（COMSOL、ANSYS、ABAQUS）的前处理能力和技术支持更有优势。建议根据具体场景灵活搭配。
结语
从有限元到神经算子，从经典迭代法到量子计算的薛定谔化，偏微分方程数值解法正在经历一场深刻的范式变革。犹他大学的光学神经引擎让我们看到，求解PDE的方式可能比想象中更加多元；而PINN和神经算子的崛起，则标志着AI正在重塑科学计算的版图。
无论方法如何演进，一个不变的事实是：好的数学思想需要强大的算力来承载。对于从事偏微分方程数值解法与科学计算的研究者而言，选择一台与研究方向匹配的工作站，不仅是效率问题，更关乎研究边界的拓展。毕竟，当网格已经精细到极致、当神经网络已经深不见底，限制我们的往往只剩下最后一道关卡——算力。
如果您有任何配置疑问欢迎加微信沟通~
微信号：maxftxwx
