PINNs和ELM等神经网络方法具有通用性强、用户友好、代码生态完善等优势，但可解释性差、存在参数敏感等。特别的，传统函数逼近经验引导的采样策略对于神经网络方法存在失效的可能性。本报告通过几个例子展示采样方法在神经网络方法中与期望不一致的表现，进而提出残差等分布驱动的自适应采样(REDAS)策略。REDAS通过动态重分配采样点，实现计算域内的残差等分布。通过识别低残差区域的配置点并将其移动至高残差区域，REDAS 逐步平衡全域的残差分布，从而降低整体求解误差，同时避免出现采样不足的区域。