1. 课程导入与物理一致性概述

在机器学习与科学计算交叉的领域里，我们经常遇到一个尴尬的局面：一个模型在测试集上的均方误差（MSE）很低，指标看起来非常漂亮，但把它放进真实的物理仿真或工程决策流程中，却会给出违反基本物理规律的结果——比如预测出负的质量、超过光速的速度、能量不守恒的轨迹，或者温度场在无热源区域自发升高。这类问题提醒我们：统计意义上的拟合优度，并不等于物理意义上的可信度。本课程要讨论的“物理一致性约束”，正是为了弥合这两者之间的鸿沟。

什么是物理一致性

物理一致性（Physical Consistency）指的是模型输出满足其所描述物理系统应当遵循的规律与约束的性质。这些约束通常来自守恒律、对称性、量纲关系、边界条件、单调性或因果性等先验知识。可以把它们分为几个层次来理解：

• 硬约束：必须严格满足，例如质量、动量、能量守恒，概率密度非负，量纲齐次。违反即视为无效解。
• 软约束：希望尽量满足，例如光滑性、局部单调性、远离训练分布时的合理外推行为。通常以惩罚项或正则化形式进入损失函数。
• 结构约束：由模型架构本身保证，例如把哈密顿量或拉格朗日量作为网络输出再经微分得到状态导数，从而在结构上保证能量守恒。

需要强调的是，物理一致性不是“让模型更准”的万能药，而是“让模型不犯低级物理错误”的护栏。它约束的是解的可行域，而不是直接提升拟合精度。

它在模型评估中的角色

传统评估依赖留出集误差、交叉验证和各类统计指标。这些指标回答的是“模型在见过的数据分布附近表现如何”，却回答不了“模型是否理解了物理”。物理一致性评估补充了三个维度的检查：其一，约束残差，即把模型输出代入守恒方程后得到的残差大小；其二，外推稳健性，在训练分布之外的参数区域，输出是否仍然落在物理可行域内；其三，长期稳定性，在自回归或闭环仿真中，误差是否被物理结构抑制而非放大。

典型应用场景

物理一致性约束在多个方向上有直接价值。在科学机器学习中，物理信息神经网络（PINN）把 PDE 残差作为损失项，用于求解正问题与反问题；在代理模型中，用于替代昂贵的 CFD 或有限元仿真，要求输出满足守恒与边界条件；在时间序列预测中，用于气候、流体、电路等系统，防止长期滚动预测漂移；在控制与数字孪生中，用于保证状态估计与预测不越出物理可行域。这些场景的共同点是：错误的代价高，且物理规律已知且可形式化。

课程路线图

本课程共 30 章，整体按“概念—约束建模—评估方法—工程落地”推进。前段建立物理一致性的定义体系与常见约束类型；中段深入守恒律、对称性、量纲分析与结构保持网络的建模方式，并讨论软约束与硬约束的取舍；后段聚焦评估：约束残差指标、外推测试、长期稳定性实验设计，以及如何把物理一致性纳入模型选型与验收流程。下面的图示给出了本课程的知识主线与各模块之间的关系。

从图中可以看到，本课程不是把物理一致性当作一个孤立指标，而是把它嵌入“定义—建模—评估—选型”的闭环。评估环节产生的约束残差会反向驱动建模方式的调整，例如当软约束惩罚无法把残差压到阈值以下时，就需要考虑改用结构保持网络或投影修正。

一个具体的入门示例

为了让大家对“约束残差”有直观感受，考虑一个简化的示例：用神经网络拟合一维热传导过程，状态为温度 T(x,t)，无内热源时满足 ∂T/∂t = α·∂²T/∂x²。假设我们训练了两个模型，在测试集上的表现如下（以下数值为教学示例，非实测结果）：

模型 A 的 MSE 更低，但 PDE 残差高达 0.42，意味着把它代入热方程后左右两端严重不平衡，这样的模型在长时间滚动预测中很可能出现温度自发漂移。模型 B 牺牲了一点拟合精度，换来了约束残差的大幅下降，这才是物理仿真场景真正需要的。这个例子也说明了本课程反复强调的观点：评估指标必须与使用目的匹配。

学习本节后应当建立的认识