Уравнения в частных производных: FDM, FEM и условие CFL

Фон Нейман, Фридрихс и рождение вычислительной устойчивости

Джон фон Нейман и Курт Фридрихс работали над численными расчётами ударных волн для ядерной программы США. Уравнения не сходились - числа взрывались. Причина оказалась не в физике и не в коде: шаг по времени был слишком большим по отношению к шагу по пространству. Их анализ устойчивости 1950 года дал математическое условие, которое теперь носит их имена вместе с Куантом: число CFL. Каждый климатический, аэродинамический, плазменный и сейсмический симулятор на планете проверяет это условие перед каждым запуском.

Метод конечных разностей и условие CFL

1950 год. Фон Нейман и Фридрихс работают над численным решением уравнений Навье-Стокса для аэродинамических расчётов. Уравнения правильные. Сетка нормальная. Но результат взрывается - числа уходят в бесконечность после нескольких итераций. Они поняли: не физика ломается, а численная схема. И сформулировали условие, которое с тех пор стоит в каждом симуляторе планеты.

PDE - уравнение в частных производных - описывает поле: температуру в каждой точке пластины, давление в каждой точке атмосферы, вероятность в каждой точке фазового пространства. Общий вид: $\frac{\partial u}{\partial t} = \mathcal{L}[u]$, где $\mathcal{L}$ - пространственный оператор (лапласиан, градиент, дивергенция). Аналитических решений - единицы. Численные нужны везде.

Метод конечных разностей (FDM) - самая прямолинейная идея: заменить производные разностными отношениями. Пространство $x \in [0, L]$ делится на $N$ узлов с шагом $\Delta x = L/N$. Время - на шаги $\Delta t$. Производная аппроксимируется тремя способами.

Теперь уравнение теплопроводности $\frac{\partial u}{\partial t} = \alpha \frac{\partial^2 u}{\partial x^2}$. Явная схема (FTCS - Forward Time, Central Space) берёт значения с текущего временного слоя для вычисления следующего. Просто. Быстро. Но - условно устойчиво.

**Условие CFL (Courant-Friedrichs-Lewy):** для явной схемы уравнения теплопроводности: $r = \frac{\alpha \Delta t}{\Delta x^2} \leq \frac{1}{2}$. Для волнового уравнения: $c \frac{\Delta t}{\Delta x} \leq 1$. Нарушение - и ошибки нарастают экспоненциально. Это не предупреждение. Это граница между симулятором и генератором мусора.

Неявная схема Кранка-Николсон берёт среднее между явным и неявным слоями. Результат: безусловная устойчивость. Можно брать любой $\Delta t$. Но каждый шаг требует решить систему линейных уравнений. Это и есть фундаментальный trade-off: явные схемы - дёшевы, но ограничены по шагу; неявные - устойчивы, но дороже на каждом шаге. Климатические модели, пронаряды Европейского центра прогноза погоды (ECMWF) - всё неявное, потому что шаги там большие.

Метод конечных элементов (FEM)

FDM работает идеально на прямоугольных сетках. Но крыло самолёта - не прямоугольник. Череп человека - не куб. Турбина - не цилиндр. Метод конечных элементов (FEM) был создан именно для неправильной геометрии - и стал стандартом в инженерном анализе.

Идея FEM радикально другая. Вместо разностной аппроксимации производных - **вариационная формулировка**. PDE умножается на тестовую функцию $v$ и интегрируется по области: $\int_\Omega \frac{\partial u}{\partial t} v \, d\Omega = \int_\Omega \mathcal{L}[u] \, v \, d\Omega$. Это слабая (вариационная) форма. Функция $u$ аппроксимируется линейной комбинацией базисных функций на каждом элементе.

Область разбивается на треугольники (2D) или тетраэдры (3D). На каждом элементе $u$ аппроксимируется полиномом низкой степени. Система уравнений для коэффициентов - это уже **матричная задача**: $\mathbf{K} \mathbf{u} = \mathbf{f}$, где $\mathbf{K}$ - глобальная матрица жёсткости (sparse, разреженная). Именно так Ansys, Abaqus, OpenFOAM и FEniCS работают под капотом.

**FEM vs FDM:** FDM проще реализовать на структурированных сетках и быстрее для простых геометрий. FEM гибче на сложной геометрии, но дороже в реализации. В промышленности (аэродинамика, прочностной анализ, биомеханика) - FEM. В метеорологии, океанологии, фундаментальной физике - часто FDM или FVM.

Матрица жёсткости $\mathbf{K}$ разреженная: каждый узел связан только с соседями. Для 3D-сетки из $N$ узлов - $O(N)$ ненулевых элементов из $O(N^2)$ возможных. Это именно то, что делает FEM масштабируемым - задачи на миллионы степеней свободы решаются итеративными методами (CG, GMRES с предобусловливателем).

Явные vs неявные схемы: стабильность и цена

Каждый климатический симулятор в мире вынужден решать один и тот же выбор: явная схема даёт простой код и дешёвые шаги, но требует малого $\Delta t$ - иначе CFL взорвётся. Неявная схема устойчива при любом $\Delta t$, но каждый шаг требует решить линейную систему. Это не просто академический вопрос - это вопрос миллионов машино-часов на суперкомпьютерах.

**Анализ устойчивости фон Неймана** - универсальный инструмент для проверки схемы. Решение раскладывается в ряд Фурье: $u_j^n = \xi^n e^{ikj\Delta x}$. Схема устойчива, если коэффициент усиления $|\xi| \leq 1$ для всех волновых чисел $k$. Вот как это работает для теплопроводности.

Оператор расщепления (operator splitting) - элегантный компромисс. Шаг по времени разбивается на части: сначала применяется явная схема для нежёстких членов (адвекция), потом неявная - для жёстких (диффузия). Именно так устроены методы IMEX (IMplicit-EXplicit). WENO-схемы для ударных волн, спектральные методы DNS турбулентности - всё это вариации на ту же тему.

**Числа в масштабе:** ECMWF (Европейский центр прогноза погоды) запускает IFS модель на сетке ~9 км, $\Delta t = 450$ с, 137 вертикальных уровней. Один прогноз на 10 дней = ~15 минут на 1000+ ядрах суперкомпьютера. Явная схема с CFL-ограничением потребовала бы $\Delta t \approx 30$ с - в 15 раз больше шагов, в 15 раз дольше.

В машинном обучении аналог CFL возникает в нейросетях, которые решают PDE: Physics-Informed Neural Networks (PINN). Сеть минимизирует невязку PDE в точках коллокации. Нет сетки, нет CFL - но есть своя нестабильность: balancing residual losses между уравнением и граничными условиями. DeepMind и NVIDIA Neural Operator (FNO, GNO) идут дальше - обучают операторы, которые отображают одно поле в другое, минуя пошаговую интеграцию совсем.

Ключевые идеи

• **FDM** заменяет производные разностными отношениями на регулярной сетке - просто, быстро, ограничено прямоугольной геометрией
• **Условие CFL:** явная схема устойчива только при $r = \alpha \Delta t / \Delta x^2 \leq 1/2$ для теплопроводности и $c \cdot \Delta t / \Delta x \leq 1$ для волн - нарушение даёт экспоненциальный рост ошибок
• **FEM** решает вариационную форму PDE на неструктурированных сетках - стандарт в CAE/CAD для произвольных геометрий, сводит задачу к разреженной СЛАУ
• **Явные схемы** дёшевы за шаг, но требуют малого $\Delta t$; **неявные** безусловно устойчивы, но решают СЛАУ на каждом шаге - реальные симуляторы используют IMEX-расщепление
• **Physics-Informed Neural Networks** и нейронные операторы (FNO) - современный обход проблемы: обучить сеть решать класс PDE, минуя пошаговую интеграцию

Связанные темы

PDE-методы объединяют линейную алгебру, численный анализ и высокопроизводительные вычисления:

• ОДУ и методы Рунге-Кутта — ОДУ - частный случай PDE без пространственных производных; те же вопросы устойчивости
• Системы линейных уравнений — FEM сводит PDE к разреженной СЛАУ Ku=f, решаемой итеративными методами
• Высокопроизводительные вычисления — FDM и FEM на крупных сетках требуют MPI-декомпозиции области и GPU-ускорения
• Вычислительная физика — Прямое применение FDM/FEM к задачам гидродинамики, электромагнетизма, упругости

Вопросы для размышления

• CFL говорит: информация не может распространяться быстрее, чем позволяет численная схема. Какая физическая интерпретация за этим стоит?
• Почему уменьшение $\Delta x$ вдвое при явной схеме для диффузии требует уменьшить $\Delta t$ в 4 раза - и как это влияет на стоимость трёхмерных симуляций?
• Physics-Informed Neural Networks обходят условие CFL. За счёт чего - и какие новые проблемы устойчивости возникают вместо него?

Связанные уроки

• sci-05 — ОДУ - частный случай PDE: понимание методов Рунге-Кутта обязательно
• sci-03 — FEM сводит PDE к системе линейных уравнений - нужен SLE
• sci-07 — Оптимизация функционалов - следующий уровень после вариационных формулировок
• sci-08 — Стохастические PDE и метод Монте-Карло решают задачи куда выше FDM
• sci-11 — Вычислительная физика - прямое применение FDM/FEM для жидкостей и тел
• nm-07