物理信息神经网络（PINNs）作为一种融合物理定律与深度学习的前沿技术，核心优势在于通过将物理规则嵌入模型的损失函数中，直接近似偏微分方程（PDE）的解，无需依赖大量标注数据，因此在流体力学、结构力学、气候模拟等科学计算领域得到广泛关注。然而，在处理参数化PDE族时，PINNs面临着显著的挑战——这类PDE族中，不同的系数、边界条件或初始条件会定义出截然不同的任务，若为每个任务单独训练一个PINNs模型，不仅会消耗大量的计算资源，还会导致训练效率极低，难以适配大规模多任务的物理场景需求。 近日，arXiv平台上发布了一项题为《Compositional Meta-Learning for Mitigating Task Heterogeneity in Physics-Informed Neural Networks》的新研究，聚焦于解决PINNs在参数化PDE族中的任务异质性问题，提出了组合元学习的解决方案。该研究指出，传统的元学习方法在面对差异较大的PINNs任务时，难以实现高效的知识迁移，而组合元学习通过对任务进行模块化分解，提取不同任务之间的通用特征与组件，让模型能够在多个异质性任务之间共享学习到的物理知识与网络结构，从而大幅降低逐个训练PINNs的计算成本。 具体而言，组合元学习框架将PINNs的训练过程拆分为通用基础模块与任务特定模块，通用模块负责学习参数化PDE族中共通的物理规律，而任务特定模块则针对不同任务的个性化需求进行微调。这种设计不仅能够提升模型在新任务上的快速适配能力，还能保证每个任务的求解精度不受影响。该研究的提出，为PINNs在复杂多任务物理场景中的应用提供了新的技术路径，有望推动科学计算领域中深度学习方法的进一步普及与优化，帮助科研人员和工程师更高效地处理各类参数化PDE求解问题。