Galerkin（伽辽金）方法是一类将偏微分方程求解问题转化为变分/弱形式的经典数值技术，是有限元法、谱方法等众多数值算法的数学基础。近年来，随着深度学习与科学计算的融合，Galerkin 投影思想被广泛引入神经网络求解器中，成为衡量和设计物理信息网络（PINN）等新方法的常见理论框架。
Galerkin 框架下的神经网络求解进展
当前焦点与观察点
从近期文献看，Galerkin 思想在 AI 求解器中的角色主要体现在三方面：一是作为理论工具，用于分析 PINN、DGM 等方法的收敛性与误差界；二是作为结构设计灵感，例如 Petrov-Galerkin 弱形式直接嵌入 KAN 等新架构以提升正反问题的稳定性；三是与降阶模型结合，如随机动态模态分解加深度学习在流体数字孪生中的应用（相关论文），本质上延续了投影降维的传统。
值得观察的问题包括：神经网络求解器的 Galerkin 化能否带来可证明的精度优势，弱形式约束在高维随机问题中的计算代价，以及这些方法在工业级流体、固体力学场景中的实际可扩展性。总体而言，Galerkin 理论与深度学习的结合正处于从经验性尝试走向有理论支撑的系统性研究阶段。