📚 课程目录第4章物理信息神经网络（PINN）原理

4. 物理信息神经网络（PINN）原理

物理信息神经网络（Physics-Informed Neural Network，PINN）的核心思想，是把“数据拟合”与“物理规律约束”放进同一个优化目标里。传统神经网络只依赖样本标签，而 PINN 用偏微分方程（PDE）的残差作为额外的监督信号：网络输出不仅要贴近观测数据，还要在采样点上满足方程、边界条件和初始条件。这样一来，即使观测数据稀疏，网络也能借助物理约束把解“撑”起来。

设待求场量为 u(x,t)，控制方程为 N[u]=f，其中 N 是含空间与时间导数的微分算子。PINN 用一个多层网络 u_θ(x,t) 近似解，θ 为可训练参数。损失函数通常由四部分构成：方程残差损失、边界条件损失、初始条件损失和数据损失。以权重 λ 调节各项比例，可写成：

L(θ) = λ_r · mean( (N[u_θ] - f)^2 )        # PDE 残差
     + λ_b · mean( (B[u_θ] - g)^2 )        # 边界条件
     + λ_i · mean( (u_θ(x,0) - u0)^2 )     # 初始条件
     + λ_d · mean( (u_θ - u_obs)^2 )       # 观测数据

关键难点在于：N[u_θ] 中的 ∂u/∂x、∂u/∂t、∂²u/∂x² 等导数如何得到？PINN 使用自动微分（Automatic Differentiation，AD）。网络本身是可微的复合函数，AD 沿计算图反向传播，能精确算出输出对输入的导数，而不是用有限差分近似。以二阶导数为例，在 PyTorch 中可这样实现：

u = net(x, t)
u_x = torch.autograd.grad(u, x, grad_outputs=torch.ones_like(u),
                          create_graph=True)[0]
u_xx = torch.autograd.grad(u_x, x, grad_outputs=torch.ones_like(u_x),
                           create_graph=True)[0]
u_t = torch.autograd.grad(u, t, grad_outputs=torch.ones_like(u),
                          create_graph=True)[0]

注意 create_graph=True 必须保留，否则二阶导数无法继续反传。残差项一般写成 res = u_t - alpha * u_xx（以一维热传导为例，alpha 为热扩散系数），再对残差取均方。采样点通常分两类：配点（collocation points）用于计算方程残差，可随机撒在求解域内部；边界点和初始点则用于约束条件。配点数量、分布密度和权重比例会显著影响收敛。

自动微分得到的是网络对输入的解析导数，精度高于有限差分；但高阶导数会放大数值误差，建议对输入做归一化，并控制网络深度与激活函数（tanh、sin 较常用，ReLU 二阶导为零，不适合二阶 PDE）。

边界条件与初始条件的处理方式直接决定问题是否可解。常见做法是“软约束”：把边界/初始偏差写进损失函数，让优化器去压低它。另一种是“硬约束”：通过输出变换强制满足条件，例如令 u_θ = g(x) + φ(x)·net(x)，其中 φ 在边界上为零，从而边界值恒等于 g。硬约束收敛更稳，但构造较复杂；软约束实现简单，需仔细调权重。初始条件在时间推进类问题中尤其重要，若权重过小，网络可能收敛到满足方程但初值错误的“伪解”。

正问题与反问题是 PINN 的两大应用方向。正问题中，方程形式、系数、边界和初值都已知，目标是求场量 u。此时损失里的 λ_r、λ_b、λ_i 固定，网络只学 θ。反问题中，某些物理参数（如热扩散系数 α、源项 f、甚至边界形状）未知，可把它们设为可训练变量，与 θ 一起优化。观测数据损失在反问题中变得关键——正是稀疏的 u_obs 提供了识别未知参数的依据。例如一维热传导反演 α：给定若干时刻的温度测点，令 α 为可学习标量，损失同时包含残差与数据项，训练后 α 会收敛到接近真值的估计。

实际实现时，一个可复现的最小流程如下。以一维热传导 u_t = α u_xx，域 x∈[0,1]、t∈[0,1]，边界 u(0,t)=u(1,t)=0，初值 u(x,0)=sin(πx)，α=0.1 为例（示例参数，非实测）。网络取 4 层、每层 64 个神经元、tanh 激活。配点用拉丁超立方在域内取 2000 个，边界各取 200 个，初值取 200 个。训练 5000 步，Adam 学习率 1e-3，后接 LBFGS 精调。判断收敛可观察总损失是否降至 1e-4 量级，并在若干测试点上与解析解 u=exp(−απ²t)sin(πx) 对比相对误差；若边界附近误差偏大，通常是 λ_b 偏小或边界配点不足。

常见排障点：① 损失不降——检查自动微分是否保留计算图、输入是否归一化；② 满足方程但边界错——提高 λ_b 或改用硬约束；③ 反问题参数漂移——数据点太少或 λ_d 过小，需增加观测或调权；④ 高阶导数噪声大——改用 tanh/sin 激活并减小网络深度。

与纯数据驱动模型相比，PINN 的优势在于把已知物理规律变成“免费的正则”，在数据稀缺、边界复杂或多尺度耦合场景中尤其有价值；代价是训练成本较高、损失权重需要调参。理解残差、自动微分、条件约束与正反问题这四者的关系，是后续把 PINN 用到多尺度建模中的基础。