4. 损失函数组成剖析
PINN 之所以能在稀疏观测下求解偏微分方程，关键在于它的损失函数不是单一的数据拟合误差，而是由多个物理与数据约束共同构成的加权和。理解每一项“管什么、怎么算、权重怎么定”，是调通 PINN 的核心。本节以典型的一维热传导方程为例，逐项拆解损失组成，并给出可操作的权重平衡方法。
四项损失的分工
设求解域为 Ω，边界为 ∂Ω，时间区间为 [0, T]。待求网络为 u_θ(x, t)。一个标准的 PINN 总损失可写为：
L_total = w_data · L_data + w_pde · L_pde + w_bc · L_bc + w_ic · L_ic四项各司其职：
- 数据损失 L_data：在已有观测点 (x_i, t_i) 上约束 u_θ 逼近实测值 u_i，形式为均方误差。它负责把解“拉”向真实数据，是唯一直接接触真值的项。
- 物理残差损失 L_pde：在配点（collocation points）上计算 PDE 残差 r = ∂u/∂t − α·∂²u/∂x²，并最小化 r²。它不依赖标签，负责让解满足控制方程，是 PINN 泛化能力的来源。
- 边界损失 L_bc：在边界点上施加 Dirichlet（u 给定）或 Neumann（∂u/∂n 给定）条件，把解“钉”在边界上。
- 初始损失 L_ic：在 t = 0 时刻约束 u(x, 0) = u_0(x)，确定时间演化的起点。
四者缺一不可：只有数据损失会过拟合且不满足物理；只有物理损失则解不唯一（PDE 需边界与初始条件定解）；边界与初始损失单独存在也无法确定域内解。它们共同构成一个适定问题的离散化约束。
各项损失的计算细节
以热传导方程 u_t = α u_xx（α 为热扩散系数）为例，取 α = 0.01，域 x ∈ [0,1]，t ∈ [0,1]。假设网络输出 u_θ，则：
# 物理残差（自动微分）
u_t = d(u, t)
u_xx = d2(u, x)
r = u_t - alpha * u_xx
L_pde = mean(r**2) # 在 N_pde 个配点上
# 数据损失
L_data = mean((u_theta(x_obs,t_obs) - u_obs)**2)
# 边界损失（Dirichlet 示例：两端固定为 0）
L_bc = mean(u_theta(0,t_bc)**2) + mean(u_theta(1,t_bc)**2)
# 初始损失（示例：u(x,0)=sin(pi x)）
L_ic = mean((u_theta(x_ic,0) - sin(pi*x_ic))**2)注意配点数量通常远大于观测点：例如 N_pde = 2000，N_bc = 200，N_ic = 100，而观测点可能只有 20～50 个。这是因为物理残差需要在域内密集采样才能约束整个解，而数据点本身稀缺。采样策略上，配点常用拉丁超立方或均匀网格，边界点沿 ∂Ω 均匀分布，初始点沿 x 均匀分布。
权重平衡：为什么不能全设为 1
四项损失的量纲和数值尺度往往差异巨大。物理残差涉及二阶导数，数值可能很小（如 1e-4 量级）；而数据损失若观测值在 O(1) 量级，其误差可能在 1e-2 量级。若权重全取 1，优化器会被数值大的项主导，导致其他约束“失效”——典型表现是 L_pde 下降很慢、解在边界处明显偏离。
实践中常用的权重策略有三类：
- 经验量级匹配：先各跑几百步，观察四项损失的初始量级，令 w_i ≈ 1 / L_i(0)，使各项对总损失的贡献大致相当。这是最直接、最常用的起步方法。
- 自适应权重：按梯度范数动态调整，如 w_i ← w_i · (‖∇L_i‖ / mean‖∇L‖)，防止某项梯度淹没其他项。适合各项量级随训练剧烈变化的场景。
- 硬约束替代：对边界和初始条件，可用输出变换（如乘以满足边界条件的试探函数）把 L_bc、L_ic 直接消去，减少权重调节负担。代价是网络结构需针对边界定制。
一个可观察的权重失衡案例
仍以上述热传导问题为例，取 w_data = 1、w_pde = 1、w_bc = 1、w_ic = 1 直接训练。合理假设下，常见现象是：训练初期 L_data 迅速降到 1e-3 以下，而 L_pde 停留在 1e-2 附近，边界处 u 出现约 0.05 的偏差。原因在于数据点少、数据损失容易过拟合，而物理残差因二阶导数数值小、梯度弱，被数据项压制。
改为量级匹配：若初始 L_pde ≈ 1e-3、L_bc ≈ 1e-2、L_ic ≈ 1e-2，则取 w_pde = 100、w_bc = 10、w_ic = 10、w_data = 1。重新训练后，四项损失应呈现同步下降趋势，边界偏差收敛到 1e-3 量级。判断是否平衡的实用指标是：各项损失的对数下降曲线斜率接近，且最终量级相差不超过 1～2 个数量级。若某项始终高出一大截，说明该约束未被满足，需回到采样或权重设置上排查。
总结来看，四项损失分别对应真值、规律、边界与起点四类信息，缺一不可；权重平衡的本质是让不同量纲、不同尺度的约束在优化中具有可比的影响力。掌握“先看量级、再定权重、后看曲线”的流程，就能把 PINN 的损失函数从一堆公式变成可调试、可判断的工程对象。