面向物理信息神经网络的隐式 Legendre 表示

基于摘要分析。本文研究物理信息神经网络（PINNs）求解偏微分方程（PDE）时的表示设计，提出 Legendre representation networks（LERENs），将可学习的 Legendre 展开融入多层感知机（MLPs），作为 Fourier 表示之外的替代方案。 PINNs 常借助 Fourier 表示改善对解中高频成分的逼近。本文质疑表示设计必须依赖此类谱先验的必要性，并探索利用 Legendre 基的数学性质构造神经表示。摘要明确的机制是“可学习 Legendre 展开与 MLP 结合”；展开阶数、系数参数化、输入范围处理、网络结构、物理约束损失及训练流程尚未验证。 作者报告，在五个涉及高频成分、复杂解结构及高维定义域的 PDE 问题上，LERENs 优于所评估的先进 Fourier 表示方法。该结论限于文中所评估的基准；摘要未给出具体方程、误差指标、数值结果、基线名称或计算成本，因而尚不能判断优势幅度、稳定性及其来源。实验协议、消融及统计信息尚未验证。 作者进一步提出，这种表示设计思路可能推广至谱方法中的其他基，但摘要未提供相应验证。本文主要对象是 PDE 求解，并非 EEG 表征或 BCI 解码；现有材料不足以建立具体迁移路径，因此不将其性能结论外推为 EEG/BCI 收益。相关 EEG 工作尚未检索确认。复现需进一步核对 PDE 设置、采样与边界条件、模型容量及计算预算是否可比，并确认实现与训练配置的可获得性。