1. 课程导入与科学机器学习全景

科学机器学习（Scientific Machine Learning，SciML）并不是“把神经网络套到科学数据上”这么简单。它真正要解决的问题是：如何让数据驱动的模型与人类已经掌握的科学规律（守恒律、对称性、边界条件、本构关系）协同工作，从而在数据稀缺、外推要求高、物理约束严格的科学计算场景中，得到可信、可解释、可复现的结果。理解这一点，是学好本课程的前提。

先看两个端点。传统科学计算以数值方法为核心：给定偏微分方程与初边值条件，用有限差分、有限元、谱方法等离散化手段求解，优点是物理一致性强、可外推，缺点是复杂几何、高维问题、参数反演与多尺度耦合时计算代价极高。纯机器学习则以数据为核心：用大量样本拟合输入到输出的映射，优点是灵活、推理快，缺点是需要海量数据、缺乏物理约束、外推能力弱。SciML 的定位，正是把两者放在同一条“建模—求解—校准—验证”链路上，让数值方法提供结构与约束，让机器学习提供表达能力与加速能力。

上图把全景压缩成三层：左侧是科学计算，右侧是机器学习，中间是二者交汇形成的 SciML；下方三类范式是课程后续章节的主干。需要强调，这三类并非互斥，实际项目常组合使用，例如用 PINN 做参数反演，再用神经算子做在线快速推理。

核心概念界定

课程中会反复出现几个概念，先给出清晰界定，避免后续混淆。正问题指已知方程、参数与初边值条件，求场变量（如温度分布、速度场）；反问题指已知部分观测，反推未知参数、源项或边界条件。SciML 在反问题上优势明显，因为可以把观测数据与方程残差同时放入损失函数。物理约束不是一句口号，它有具体形式：把 PDE 残差作为惩罚项、把守恒量作为硬约束嵌入网络结构、把边界条件作为输出变换，都是可操作的实现方式。外推指模型在训练分布之外的表现，科学场景往往更关心外推而非插值，这也是纯数据驱动方法容易失效的地方。

一个可动手的最小示例

为了让大家第一节课就有具体抓手，考虑一维稳态热传导方程：

d²T/dx² = 0,  x ∈ (0, 1)
T(0) = 0,  T(1) = 1

解析解为 T(x) = x。若用 PINN 求解，可设网络输出 T_θ(x)，损失函数写成三项之和：

L = L_data + λ_r · L_res + λ_b · L_bc
L_res = mean( (d²T_θ/dx²)² )        # 方程残差
L_bc  = (T_θ(0)-0)² + (T_θ(1)-1)²   # 边界条件
L_data = 0                          # 本例无内部观测

训练时在 (0,1) 内采样若干配点计算二阶导（可用自动微分），迭代若干步后观察 T_θ 与 x 的偏差。这个例子虽小，却完整体现了“方程残差 + 边界条件”的损失构造方式，后续复杂方程只是把残差项换掉。需要说明，上述为教学示例设定，具体收敛步数与精度取决于网络规模、学习率与配点数量，实际运行时以损失曲线和边界误差作为判断依据：若边界误差持续下降而残差项不降，通常说明配点不足或权重 λ_r 偏小。

典型应用场景与课程项目总览

SciML 的落地场景可以按“替代、反演、融合”三类理解。替代：用代理模型替代昂贵仿真，例如在电池热管理中，用神经算子学习不同工况下的温度场，把单次推理从分钟级降到毫秒级。反演：从稀疏传感器数据反推材料参数或污染源位置，PINN 在此类问题中可同时利用观测与方程。融合：把降阶模型嵌入优化循环，用于控制器设计。课程项目将围绕一条主线展开：给定一个参数化 PDE 族，先建立数值基线，再训练 SciML 模型，最后在留出工况上对比精度与速度，并给出误差来源分析。项目不追求模型复杂，而追求“基线清楚、指标可复现、结论有依据”。

最后提醒一个常见误区：不要一上来就追求复杂网络。科学问题的难点往往在数据构造、损失权重、边界处理和验证设计上，而非网络层数。把最小示例跑通、把损失曲线看懂、把误差来源说清楚，比堆叠模型更有价值。