2. 开发环境与工具链搭建

PINN（物理信息神经网络）的开发本质上是“数值计算 + 深度学习”两条技术路线的交汇：一边要用 NumPy 做张量化的物理残差计算，一边要用 PyTorch 的自动微分把 PDE 残差对网络参数的梯度传回去。因此，环境搭建的目标不是把包装齐，而是让这两条链路能顺畅对接。本节按“科学计算栈 → PyTorch 张量与自动微分 → GPU 配置 → 最小可运行示例”的顺序展开，每一步都给出可验证的判断依据。

一、Python 科学计算栈：先保证数值层可靠

推荐使用 Python 3.10～3.11，配合独立虚拟环境隔离依赖。核心包包括 NumPy（数组运算与采样）、SciPy（稀疏矩阵、积分与优化参考解）、Matplotlib（残差曲线与场分布可视化）。安装后不要只看 pip list，而应做一次数值自检，确认浮点精度与线性代数后端正常：

python -c "import numpy as np, scipy, torch; \
print('numpy', np.__version__); \
print('scipy', scipy.__version__); \
print('torch', torch.__version__, 'cuda', torch.cuda.is_available()); \
A=np.random.rand(200,200); print('det-ok', np.isfinite(np.linalg.det(A)))"

若 det-ok 输出 True，说明 BLAS/LAPACK 链接正常。对 PINN 而言，NumPy 主要承担配点采样、边界条件构造和结果后处理；真正参与梯度回传的张量必须来自 PyTorch，二者之间用 torch.from_numpy 或 .numpy() 转换时要注意 dtype 一致（统一用 float32 或 float64），否则会在残差计算中引入隐式类型提升，拖慢速度甚至报错。

二、PyTorch 基础与自动微分机制

PINN 的网络通常很浅（3～5 层全连接，每层 32～64 个神经元），但输入需要求二阶导，因此必须理解 autograd 的工作方式。关键点有三：其一，输入坐标 x 必须设置 requires_grad=True，否则对输入的导数无法计算；其二，求导用 torch.autograd.grad 并设置 create_graph=True，才能对一阶导再求二阶导；其三，网络参数由优化器管理，不需要手动清零梯度图。

import torch, torch.nn as nn

class MLP(nn.Module):
    def __init__(self, width=32):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(1, width), nn.Tanh(),
            nn.Linear(width, width), nn.Tanh(),
            nn.Linear(width, 1))
    def forward(self, x):
        return self.net(x)

model = MLP()
x = torch.linspace(0, 1, 50, requires_grad=True).view(-1, 1)
u = model(x)
du = torch.autograd.grad(u, x, torch.ones_like(u), create_graph=True)[0]
d2u = torch.autograd.grad(du, x, torch.ones_like(du), create_graph=True)[0]
print(u.shape, du.shape, d2u.shape)   # 均为 torch.Size([50, 1])

这段代码是后续所有 PDE 残差的基础。需要特别提醒：激活函数选 Tanh 而非 ReLU，因为 ReLU 的二阶导几乎处处为零，会让二阶 PDE 的残差失去意义。另外，torch.ones_like(u) 作为 grad_outputs 表示对每个输出分量求导后按 1 加权求和，这是标量化处理的标准写法。

三、GPU 环境配置与设备一致性

若使用 NVIDIA 显卡，安装带 CUDA 的 PyTorch 版本后，用 torch.cuda.is_available() 判断可用性，并打印设备名与显存。GPU 加速对 PINN 的收益主要体现在大批量配点（如每步 1 万～10 万个点）上；小规模问题用 CPU 反而更省心。无论用哪种设备，模型、输入张量和常数张量必须位于同一设备，否则会抛出 device mismatch 错误。推荐在脚本开头统一定义 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")，并在构造输入后立即 .to(device)。

四、第一个可运行示例：一维稳态热传导

用一个有解析解的问题验证整条链路最稳妥。取方程 u''(x) = 0，边界 u(0)=0, u(1)=1，解析解为 u(x)=x。损失由两部分组成：内部配点上的 PDE 残差均方值，以及两个边界点的 Dirichlet 条件偏差。训练若干步后，若边界损失与残差损失都降到 1e-4 量级，且预测曲线与直线 y=x 基本重合，即可认为环境与自动微分链路全部打通。

opt = torch.optim.Adam(model.parameters(), lr=1e-3)
x_col = torch.linspace(0, 1, 200, requires_grad=True).view(-1,1).to(device)
xb = torch.tensor([[0.],[1.]], device=device)
ub = torch.tensor([[0.],[1.]], device=device)
model.to(device)
for step in range(2000):
    opt.zero_grad()
    u = model(x_col)
    du = torch.autograd.grad(u, x_col, torch.ones_like(u), create_graph=True)[0]
    d2u = torch.autograd.grad(du, x_col, torch.ones_like(du), create_graph=True)[0]
    loss_pde = (d2u**2).mean()
    loss_bc = ((model(xb) - ub)**2).mean()
    loss = loss_pde + 100.0 * loss_bc
    loss.backward(); opt.step()
    if step % 500 == 0:
        print(step, loss_pde.item(), loss_bc.item())

边界损失乘以 100 是常见的加权手段，用来抵消边界点数量远少于配点带来的量级差异。实际运行时，前几百步残差下降较快，之后趋于平缓；若损失长期停在 1e-2 以上，应检查 create_graph 是否遗漏、输入是否忘记 requires_grad、以及边界权重是否过大导致优化震荡。

把上述脚本跑通后，建议做一次小实验加深理解：将 create_graph=True 去掉，观察程序在求 d2u 时是否报错；再把激活函数换成 ReLU，观察 PDE 残差是否退化为接近零的“假收敛”。这两个对照能让你真正记住自动微分在 PINN 中的两个关键约束。环境搭建的完成标准不是装完包，而是这条“采样—前向—二阶导—损失—反传”的链路在目标设备上稳定跑通并给出可解释的数值结果。