1. 课程导入与逆问题认知

在工程仿真与科学计算中，我们习惯的思维方式是“给定参数，求响应”：已知材料导热系数、几何尺寸和边界条件，用有限元或有限差分算出温度场分布。这类问题称为正问题。而实际工程中更常见的情形恰恰相反——我们能测量到的是响应（温度、位移、浓度、电压），真正想知道的却是背后的参数（导热系数、弹性模量、源项强度、缺陷位置）。由响应反推参数，就是逆问题。

逆问题之所以困难，根源在于它的“反着来”特性。以稳态热传导为例，正问题可写为

d/dx( k · dT/dx ) = 0,   T(0)=T0,  T(L)=TL
已知：k, L, T0, TL   →   求解：T(x)

这是一个适定问题：解存在、唯一且连续依赖于输入。而逆问题变成“已知若干测点温度 T(x_i)，反求 k”，此时会出现三个典型障碍：不适定性（多组参数可能产生几乎相同的观测，解不唯一）、对噪声敏感（测量误差被放大，微小扰动导致参数剧烈跳变）、观测稀疏（传感器数量远少于未知量）。传统做法是反复调用正问题求解器做优化迭代，每次迭代都要跑一遍仿真，计算代价随参数维度迅速膨胀。

PINN 解决逆问题的基本思路

物理信息神经网络（PINN）提供了一条不同的路径：把待识别参数当作可训练变量，与网络权重一起通过梯度下降优化。网络输入是时空坐标 (x, t)，输出是物理场 u(x, t)；损失函数由三部分组成——数据项（拟合测点观测）、物理残差项（把 PDE 代入自动微分后的残差压到零）、边界/初始条件项。关键在于，未知参数 λ 出现在 PDE 残差里，因此它会被残差的梯度“牵着走”，逐步收敛到真值。

举个具体例子：一维稳态导热，真值 k=2.0 W/(m·K)，我们在 x=0.2、0.5、0.8 处布置三个测点，温度观测含约 1% 的随机噪声。网络设为 3 层、每层 32 个神经元的 tanh MLP，k 初始化为 1.0 并取对数变换保证正值。训练 5000 步后，损失从约 1e-1 降到 1e-4 量级，k 通常能收敛到 1.95～2.05 区间。这里的数据与结果属于教学示例设定，用于说明收敛行为，并非实测。判断是否可信，不能只看总损失，还要看数据项与残差项是否同步下降——若残差很小而数据项居高不下，往往说明物理模型写错了或边界条件设错。

参数识别在工程与科学中的典型场景

参数识别并非抽象概念，它广泛存在于真实任务中。岩土工程里，通过地表沉降监测反演地层弹性模量与泊松比；电池管理中，用端电压与温度曲线辨识内阻和扩散系数；结构健康监测中，由模态频率变化定位刚度退化区域；地下水污染治理中，依据稀疏井点浓度反推污染源位置与释放强度。这些场景的共同点是：直接测量目标量代价极高甚至不可能，但响应数据相对易得。PINN 的价值在于它不依赖网格，能自然融合多源观测，并且可以在同一框架下同时输出场分布与参数值。

课程整体学习路径与实战项目

本课程按“认知—工具—方法—实战”递进组织。前段建立正/逆问题思维框架与 PINN 数学基础；中段进入实现层，讲解如何用自动微分构造残差、如何对参数做正性变换、如何设计损失权重与采样策略；后段聚焦逆问题专有难点，包括噪声鲁棒性、多参数可辨识性分析、观测点优化布置；最后通过一个完整的实战项目串联全部知识。

实战项目设定为“一维瞬态热传导中的导热系数与对流换热系数联合识别”：给定含噪声的温度时空观测，要求同时反演两个参数，并给出置信区间评估。项目交付包括可运行代码、参数收敛曲线、以及一份说明“在何种噪声水平与测点数量下结果可信”的分析报告。建议的学习节奏是每章先读概念、再动手改一行代码观察输出变化，把“调参”变成“验证物理直觉”的过程。入门阶段不必追求复杂网络，一个 3 层 MLP 配合 Adam 优化器，足以让你看清逆问题求解的完整链条。