1. 从微分方程到神经网络

微分方程是描述物理世界的通用语言：热传导、结构振动、流体运动、电磁场分布，几乎都可以写成“某未知场在空间与时间上的导数关系”。传统求解思路是把连续区域离散成网格，用有限差分、有限元或有限体积把导数替换成代数关系，再解大规模线性或非线性方程组。这条路线成熟可靠，但当问题维度升高、几何形状复杂、参数需要反复变化时，网格生成与重复求解的成本会迅速上升。物理信息神经网络（Physics-Informed Neural Network，PINN）提供了另一条思路：用一个神经网络直接表示未知场，把微分方程残差、边界条件和初始条件写进损失函数，通过优化网络参数让“解”同时满足数据与物理规律。

为什么可以把微分方程交给神经网络

关键在于神经网络对输入是可微的。设网络输出为 u_θ(x, t)，其中 θ 是待训练参数。借助自动微分，我们可以对 u_θ 关于 x 和 t 求一阶、二阶甚至更高阶导数，从而直接构造方程残差。以一维热传导方程为例，取热扩散系数 α = 0.01，方程与条件为：

u_t = α · u_xx,      x ∈ (0, 1), t ∈ (0, 1)
u(0, t) = u(1, t) = 0
u(x, 0) = sin(πx)

定义残差 r_θ(x, t) = ∂u_θ/∂t − α · ∂²u_θ/∂x²，则总损失可写成三项之和：

L = L_pde + λ_bc · L_bc + λ_ic · L_ic
L_pde = mean( r_θ(x_i, t_i)² )        # 配点在区域内部随机采样
L_bc  = mean( u_θ(0, t)² + u_θ(1, t)² )
L_ic  = mean( (u_θ(x, 0) − sin(πx))² )

训练时在区域内随机抽取若干“配点”（collocation points），例如 2000 个内部点、200 个边界点、200 个初始点，用 Adam 优化器迭代数千步，再视情况切换到 L-BFGS 精调。训练完成后，u_θ 就是一个连续、可微、可在任意点求值的近似解，不需要保存网格，也不需要插值。这正是 PINN 最吸引人的地方：解被表示成一个函数，而不是一组离散节点值。

PINN 与传统数值方法的分工

把两类方法放在一起比较，能更清楚地看到各自适用边界。下表以本节热传导示例为背景，给出定性对比（数值为教学示例的典型量级，非实测结果）：

因此合理的定位是：正问题、低维、高精度要求、边界复杂但网格可生成时，优先传统方法；高维参数化问题、逆问题、数据与方程混合建模、几何频繁变化需要“一次训练多次查询”的场景，PINN 更有优势。实际工程中两者也常结合，例如用数值解生成监督数据，再与方程残差一起约束网络。

典型应用场景

PINN 目前较活跃的方向包括：一是正问题求解，如热传导、扩散、波动方程的近似解；二是逆问题与参数辨识，例如已知部分温度观测，反推材料导热系数；三是数据同化与稀疏观测补全，在观测点稀少时用方程约束填补场分布；四是代理模型，训练好的网络作为快速前向计算器嵌入优化循环；五是多物理场耦合，把不同方程的残差加权组合进同一损失。对初学者而言，从一维、线性、解析解已知的方程入手，最容易建立“损失下降是否等于解变准”的判断力。

本课程项目总览

本课程围绕一条主线推进：从标量方程到方程组，从正问题到逆问题，从纯物理约束到数据融合。贯穿全程的项目是一个“一维热传导求解器”，逐步扩展为带观测数据的参数反演任务。建议的环境与起步配置如下：

Python 3.10+，PyTorch 2.x（或 JAX）
网络：3~5 层全连接，每层 32~64 个神经元，tanh 激活
优化：Adam(lr=1e-3) 训练 5000 步，再用 L-BFGS 精调
采样：内部配点 2000，边界/初始点各 200，每若干步重采样
评估：与解析解 u = exp(−απ²t)·sin(πx) 对比相对 L2 误差

判断训练是否有效的依据不是损失数值本身，而是“残差损失下降的同时，验证点上的相对误差是否同步下降”。若损失很小但误差很大，往往说明配点过稀、权重失衡或网络欠拟合。下面的图示把本节的核心逻辑串成一条信号链：从方程与条件出发，经自动微分构造残差，汇入损失，再通过优化更新网络，最终得到可查询的连续解，并与传统网格路线形成对照。

把这张图当作本课程的地图：上半部分是后续每节要拆开实现的环节，下半部分是始终用来对照的参照系。学习过程中，每完成一个模块，都应回到“残差是否合理、验证误差是否同步下降”这两个判断点上，而不是只看损失曲线是否好看。