2. PINN基本原理回顾

在进入边界条件与损失函数的具体构造之前，有必要把 PINN 的整体运行框架重新梳理一遍。很多初学者在写代码时容易把注意力放在“损失函数怎么写”上，却忽略了损失函数之所以成立，是因为背后有一条完整的计算链：神经网络负责表示解，自动微分负责把解变成导数，物理方程负责把导数组合成残差，优化器负责把残差压到接近零。理解这条链上每一环的输入输出与相互约束，才能判断边界条件应该以什么形式、放在什么位置、以多大权重进入损失。

一、神经网络是解函数的参数化表示

PINN 的第一个基本假设是：待求的物理场可以用一个神经网络来近似。以二维稳态热传导为例，温度场记为 T(x, y)，我们构造一个多层感知机 T_θ(x, y)，其中 θ 表示全部权重和偏置。网络的输入是坐标 (x, y)，输出是标量温度值。对于位移场、速度场这类向量场，只需把输出维度改为 2 或 3 即可。

这里有一个容易被忽视但非常关键的认识：网络本身并不知道任何物理规律，它只是一个光滑的、可微的参数化函数族。它的“物理正确性”完全来自后续损失项的约束。因此网络结构的选择主要服务于表示能力与可微性：激活函数通常选 tanh 或 sin，因为它们的二阶导数连续且不为零；而 ReLU 的二阶导数为零，会让二阶 PDE 的残差恒为零，一般不适合直接用于强形式 PINN。输入坐标通常先做归一化，把物理区域映射到 [-1, 1] 附近，否则不同量纲的坐标会让网络训练极不稳定。

二、自动微分把网络输出变成任意阶导数

传统数值方法用差分近似导数，而 PINN 用自动微分（Automatic Differentiation, AD）精确计算网络输出对输入的导数。以 PyTorch 为例，核心写法是：

import torch

def grad(y, x):
    return torch.autograd.grad(
        y, x,
        grad_outputs=torch.ones_like(y),
        create_graph=True
    )[0]

# 前向：T = T_θ(x, y)
T = model(xy)
T_x = grad(T, xy)[:, 0:1]      # ∂T/∂x
T_y = grad(T, xy)[:, 1:2]      # ∂T/∂y
T_xx = grad(T_x, xy)[:, 0:1]   # ∂²T/∂x²
T_yy = grad(T_y, xy)[:, 1:2]   # ∂²T/∂y²

其中 create_graph=True 是必须的，它让一阶导数本身保留在计算图中，从而可以继续对一阶导数求导得到二阶导数。如果漏掉这个参数，二阶导数会报错或返回 None，这是实际调试中最常见的错误之一。自动微分得到的是解析意义上的精确导数（在浮点精度内），不存在差分步长带来的截断误差，这也是 PINN 相比传统网格方法的一个理论优势。

三、物理方程残差构成主损失项

有了导数，就可以把 PDE 写成残差形式。仍以二维稳态热传导 ∂²T/∂x² + ∂²T/∂y² = 0 为例，残差定义为：

r(x, y) = T_xx(x, y) + T_yy(x, y)

如果网络输出恰好是真实解，那么区域内任意一点的残差都应为零。于是我们在求解域内部采样一批配点（collocation points），把这些点上的残差平方求平均，就得到 PDE 损失：

L_PDE = (1/N_r) Σ r(x_i, y_i)²

配点不需要网格，可以随机采样，也可以在边界附近加密。这一点是 PINN 区别于有限元的重要特征：它把“离散化”从几何网格转移到了损失函数的采样上。配点数量、分布和是否随训练动态调整，都会显著影响收敛质量。

四、三类损失项共同构成总目标

仅有 PDE 残差是不够的，因为满足 PDE 的函数有无穷多个，必须靠边界条件和初始条件把解“钉”在唯一的那一个上。因此总损失通常由三部分组成：

• PDE 残差损失 L_PDE：在内部配点上约束物理方程；
• 边界条件损失 L_BC：在边界点上约束 Dirichlet 值或 Neumann 通量；
• 初始条件损失 L_IC：对瞬态问题，在 t=0 时刻约束场值或时间导数。

总损失写成加权和：L = w_PDE·L_PDE + w_BC·L_BC + w_IC·L_IC。权重不是可有可无的装饰，它直接决定了优化器优先满足哪一类约束。如果 w_BC 过小，网络可能收敛到一个 PDE 残差很小但边界完全错误的“平凡解”；如果 w_BC 过大，边界被强行满足，但内部物理被牺牲，残差在区域内大面积超标。下一节将专门讨论权重的选取与自适应策略，这里先建立“权重即优先级”的直觉。

五、整体计算链与训练闭环

把上述环节串起来，一次前向与反向传播的完整路径是：坐标输入 → 网络输出场值 → 自动微分求各阶导数 → 代入 PDE 得残差 → 与边界、初始条件残差加权求和 → 反向传播更新 θ。下图展示了这条计算链以及三类损失项在其中的位置关系。

从图中可以看出，边界条件与初始条件并不是独立于网络的“外部模块”，它们同样作用在网络输出上，只是采样点位于边界或初始时刻。这意味着边界损失与 PDE 损失共享同一组参数 θ，优化器在同一个梯度下降过程中同时压低两类残差。理解这一点，就能明白为什么边界条件的写法必须与网络输出的形式匹配：如果边界是 Dirichlet 型，直接约束 T_θ(x_b, y_b) = g；如果是 Neumann 型，则要约束 ∂T_θ/∂n = h，此时边界损失里必须出现自动微分得到的法向导数，而不能只写场值。

六、一个可运行的最小示例结构

把框架落到代码上，训练循环的骨架大致如下（示例参数为教学假设，非实测结果）：

# 示例：二维稳态热传导，区域 [0,1]×[0,1]
# 边界：左 T=100，右 T=0，上下绝热（Neumann=0）
for epoch in range(20000):
    # 1) 内部配点，随机采样 2000 点
    xy_r = torch.rand(2000, 2)
    T = model(xy_r)
    T_x = grad(T, xy_r)[:, 0:1]
    T_y = grad(T, xy_r)[:, 1:2]
    T_xx = grad(T_x, xy_r)[:, 0:1]
    T_yy = grad(T_y, xy_r)[:, 1:2]
    L_pde = ((T_xx + T_yy) ** 2).mean()

    # 2) Dirichlet 边界：左右两边各 200 点
    xy_b = sample_dirichlet(200)
    T_b = model(xy_b)
    L_bc = ((T_b - T_target) ** 2).mean()

    # 3) Neumann 边界：上下两边法向导数为 0
    xy_n = sample_neumann(200)
    T_n = model(xy_n)
    T_ny = grad(T_n, xy_n)[:, 1:2]
    L_bc += (T_ny ** 2).mean()

    loss = 1.0 * L_pde + 10.0 * L_bc
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

这段骨架体现了本节的核心结构：PDE 损失用内部随机配点，边界损失用边界采样点，Neumann 边界通过自动微分取法向导数。示例中把边界权重设为 10，是因为边界点数量远少于内部配点，需要放大其影响；这个数值只是教学假设，实际应根据损失量级调整。训练过程中应分别打印 L_pde 与 L_bc，观察两者是否同步下降。若 L_pde 降到很小而 L_bc 停滞，通常说明边界权重不足或边界采样过稀；反之则可能是网络容量不够或配点分布不合理。

回顾整节，PINN 的基本框架可以概括为一句话：用神经网络表示解，用自动微分获得导数，用物理方程残差和边界、初始条件残差共同构造损失，再用梯度下降把损失压到接近零。边界条件与损失函数的构建，本质上就是在这条链上决定“约束写在哪里、以什么形式写、以多大权重写”。把这条链理解透彻，后续讨论 Dirichlet 与 Neumann 的具体实现、硬约束与软约束的取舍、权重自适应策略时，才不会迷失在代码细节里。