4. 物理约束神经网络基础架构

物理信息神经网络（Physics-Informed Neural Network，PINN）的核心思想并不复杂：用一个神经网络 u_θ(x, t) 直接表示物理场的解，把控制方程、初值条件和边界条件写成残差项，与少量观测数据一起构成损失函数，让网络在训练中同时“拟合数据”和“满足物理”。与传统数值方法不同，PINN 不需要网格剖分，解在任意坐标点上连续可求，这使得它在反问题、稀疏数据场景和参数辨识中具有独特价值。

理解 PINN 的关键在于看清它的“双通道”结构：一条通道是数据损失，来自传感器或解析解采样点；另一条通道是物理损失，来自对网络输出做自动微分后代入方程得到的残差。两条通道共享同一组网络参数 θ，因此物理约束实际上是在参数空间中“牵引”网络，使其在无数据区域也保持合理行为。

网络架构选择与物理场表示

架构选择取决于物理场的空间结构和问题维度。对于一维 ODE/PDE 或低维参数化问题，全连接网络（MLP）是最直接的选择：输入 (x, t)，若干隐藏层，输出标量场 u。实践中的经验是隐藏层 3～6 层、每层 32～128 个神经元，激活函数优先选 tanh 或 sin，因为 ReLU 的二阶导数为零，会让含 u_xx 的残差失效——这是初学者最常见的坑。

当物理场具有强空间局部性（如多孔介质、图像型场）时，卷积网络可以提取局部特征，但要注意卷积的平移等变性与边界条件处理需要额外设计。对于非规则几何、网格化仿真数据或粒子系统，图神经网络（GNN）更自然：节点表示离散点，边表示邻接关系，消息传递等价于局部算子作用。选择原则可以概括为：规则低维场用 MLP，网格型高维场考虑 CNN，非结构几何与多体耦合考虑 GNN。

自动微分在物理约束中的角色

自动微分（AD）是 PINN 的“发动机”。以反向模式为例，网络前向计算出 u 后，对输入坐标求导即可得到 u_t、u_x、u_xx，全程无需差分近似，也不依赖网格。以 PyTorch 为例，关键写法是让输入 x 带 requires_grad=True，再用 torch.autograd.grad 逐阶求导：

import torch

def physics_residual(model, x, t, nu):
    x = x.clone().requires_grad_(True)
    t = t.clone().requires_grad_(True)
    u = model(torch.cat([x, t], dim=1))
    u_t = torch.autograd.grad(u, t, torch.ones_like(u), create_graph=True)[0]
    u_x = torch.autograd.grad(u, x, torch.ones_like(u), create_graph=True)[0]
    u_xx = torch.autograd.grad(u_x, x, torch.ones_like(u_x), create_graph=True)[0]
    return u_t - nu * u_xx   # 一维热方程残差

注意 create_graph=True 必须保留，否则二阶导数无法继续回传；同时求导对象是输入坐标而非参数，这一点与常规训练中的参数梯度方向相反，是理解 AD 用于物理约束的关键。

一维 ODE/PDE 的 PINN 实战要点

以一个示例任务说明：求解一维热方程 u_t = ν u_xx，x∈[0,1]，t∈[0,1]，ν=0.01，初值 u(x,0)=sin(πx)，边界 u(0,t)=u(1,t)=0。以下参数为教学示例设定，非实测结果。

• 配点采样：域内随机采 2000 个 (x,t) 计算物理残差；初值/边界各采 200 个点计算条件残差。
• 损失组合：L = L_data + λ_b·L_bc + λ_0·L_ic + λ_p·L_phys，示例取 λ_b=λ_0=100、λ_p=1，用较大权重保证边界与初值被优先满足。
• 训练策略：先用 Adam（学习率 1e-3）训练约 5000 步，再切 L-BFGS 精调；每 500 步打印各分项损失。
• 结果判读：与解析解 u=sin(πx)e^{−νπ²t} 对比，示例目标相对 L2 误差低于 1e-2；若物理残差下降但边界误差上升，说明权重失衡，应调大 λ_b。

PINN 的局限也要正视：训练成本高于传统求解器、多尺度问题收敛困难、权重 λ 敏感。工程上常配合课程学习（先易后难采样）、自适应配点（在残差大的区域加密）和硬约束（把边界条件嵌入网络输出结构）来提升稳定性。掌握这些实现要点，才能让物理约束真正“约束住”网络，而不是停留在公式层面。