1. 课程导入与物理约束建模全景

在工程与科学计算中，我们经常面对一个尴尬局面：传感器能采集到的数据总是稀疏、含噪、成本高昂，而真正想知道的场量（如流场任意位置的速度、结构内部应力、电磁场分布）却遍布整个时空域。纯数据驱动模型——无论是深度神经网络还是高斯过程——擅长从样本中拟合映射关系，却对背后支配系统的物理规律一无所知。当训练数据未覆盖的区域出现时，模型可能给出违反质量守恒、能量守恒或边界条件的荒谬预测。物理约束数据建模（Physics-Constrained Data Modeling）正是为弥合这一裂缝而生：它把已知的物理定律、守恒关系、边界与初始条件，以损失项、网络结构、算子形式或数据增广等方式嵌入学习过程，使模型在“拟合数据”的同时“遵守物理”。

其核心价值可归纳为三点。第一是泛化与外推能力：物理约束相当于给模型注入了先验知识，使其在数据稀疏区仍能给出合理预测。第二是数据效率：同样的精度下，物理约束模型往往只需纯数据模型几分之一的样本量。第三是可解释与可信：预测结果可被守恒律与边界条件检验，便于工程验收。典型应用横跨多个学科：流体力学中的湍流场重构与翼型绕流预测、结构力学中的载荷识别与损伤检测、电磁学中的场分布反演、热力学中的温度场重建，乃至多物理场耦合问题。

下面这张图概括了本节要建立的全景认知：左侧是纯数据驱动的信息流，右侧是物理约束驱动的信息流，二者在“约束融合层”汇合，最终输出满足物理一致性的预测场。

理解这一全景后，需要明确“物理约束”的几种落地形态，它们决定了后续建模的技术路线。最常见的是软约束：把 PDE 残差、边界条件偏差写成损失项，与数据损失加权求和，例如 PINN 类方法中 L = L_data + λ_pde·L_pde + λ_bc·L_bc。其次是硬约束：通过特殊的网络结构或输出变换，使预测天然满足某些条件，如用距离函数构造满足 Dirichlet 边界条件的输出、用守恒型网络结构保证质量守恒。第三类是算子学习：学习从参数场到解场的映射算子（如 DeepONet、FNO），物理规律体现在训练数据的生成与算子结构设计中。第四类是数据增广与一致性约束：利用物理关系生成虚拟样本，或在循环一致性、对称性上施加约束。不同形态对应不同的数据量、精度与实现成本，课程后续将逐一展开。

为把抽象概念落到可操作层面，先看一个贯穿课程的实战项目设定：二维稳态热传导温度场重建。假设一块 1m×1m 的均质板，导热系数 k=1 W/(m·K)，内部有均匀热源 q=10 W/m³，四周边界条件为：左边界 T=100°C，右边界 T=0°C，上下边界绝热。控制方程为 ∇²T + q/k = 0。我们只在板内布置 9 个温度测点（示例假设，含 ±0.5°C 噪声），目标是重建全板温度场。纯数据插值在测点稀疏处误差显著；而引入 PDE 残差与边界条件约束后，模型可在测点之间给出符合物理的解。这个例子规模小、可手算校验，适合作为第一个可运行案例。

课程路线图按“认知—方法—实现—评估—综合”推进：先建立物理约束建模的全景与数学基础（PDE、损失构造、自动微分），再依次深入软约束与硬约束方法、算子学习、多物理场耦合，随后进入训练设计（损失加权、采样策略、优化稳定性）与评估体系（残差检验、外推测试、不确定性），最后以热传导与流体两个实战项目收束。学习建议是：每学一种方法，都在小规模可校验问题上跑通“构造损失—训练—检查残差—对比纯数据基线”的闭环，避免只停留在公式层面。