2. PINN核心原理回顾
在进入逆问题与参数识别之前，有必要把PINN的四个核心构件重新梳理一遍：神经网络作为函数逼近器、自动微分提供物理约束所需的导数、损失函数由数据项与物理残差项共同构成、以及正问题与逆问题在同一框架下的统一与差异。这四件事决定了后续所有参数识别方案的设计空间。
一、神经网络：不是拟合数据点，而是逼近一个场
传统监督学习把网络看作从输入到标签的映射，训练目标是让预测值贴近标签。PINN的视角不同：网络被当作一个连续函数的参数化表示。以二维稳态热传导为例，网络输入是坐标 $(x,y)$，输出是温度 $T_\theta(x,y)$，其中 $\theta$ 是全部权重与偏置。训练完成后，我们得到的不是一个离散预测表，而是一个可以在任意坐标处求值的温度场。
这个区别带来两个直接后果。第一，网络必须对输入坐标可微，因此激活函数通常选择 $\tanh$、$\sin$ 或 $\text{swish}$ 这类光滑函数，而ReLU在二阶导数处为零，会削弱需要二阶导的物理残差。第二，输入坐标建议做归一化，例如把物理区间 $[0,1]$ 映射到 $[-1,1]$，否则不同量纲的坐标会让网络在训练初期偏向某一方向。一个典型的配置是：4层隐藏层、每层64个神经元、$\tanh$ 激活、输入维度2、输出维度1，参数量约四千余个，足以表达本节示例中的平滑温度场。
二、自动微分：把物理方程“翻译”成可计算的残差
物理约束的本质是偏微分方程。仍以稳态热传导为例，控制方程为
k * (∂²T/∂x² + ∂²T/∂y²) = -q(x,y)其中 $k$ 是导热系数，$q$ 是内热源。要把这个方程变成损失项，需要对网络输出求二阶偏导。自动微分在这里承担关键角色：它利用链式法则在计算图上精确求导，不需要网格、不需要差分近似，也不受坐标维度限制。实现上通常写成对输入的逐次求导：
T = net(xy)
T_x = grad(T, xy)[0][:, 0:1]
T_y = grad(T, xy)[0][:, 1:2]
T_xx = grad(T_x, xy)[0][:, 0:1]
T_yy = grad(T_y, xy)[0][:, 1:2]
residual = k * (T_xx + T_yy) + q需要注意，自动微分给出的是网络表示的函数的导数，而不是真实物理场的导数。因此残差是否趋近于零，取决于网络是否真的学到了满足方程的解，这正是训练要解决的问题。另外，求二阶导会显著增加计算图深度，配点数量不宜盲目放大，通常每个训练批次取几百到几千个内部配点即可。
三、损失构成：数据项与物理残差项的加权组合
PINN的总损失一般写成三项之和：
L = w_d * L_data + w_p * L_pde + w_b * L_bc其中 $L_{data}$ 约束观测点上的输出与实测值一致，$L_{pde}$ 约束内部配点上的方程残差趋近于零，$L_{bc}$ 约束边界与初始条件。三项的量级往往差异很大：温度观测误差可能是 $10^{-2}$ 量级，而二阶导残差在训练初期可能是 $10^{0}$ 量级。若不处理，梯度会被大项主导，小项形同虚设。常见做法是先各自归一化到相近量级，再设置权重；或者采用自适应权重，让权重随各项残差的统计量动态调整。
四、正问题与逆问题的统一与差异
统一之处在于：两者共用同一个网络结构、同一套自动微分求导流程、同一个损失框架。差异在于未知量的归属。正问题中，$k$ 和 $q$ 已知，未知量只有网络参数 $\theta$，训练就是最小化 $L(\theta)$。逆问题中，$k$ 或 $q$ 的一部分也未知，它们被提升为可训练变量，与 $\theta$ 一起优化，损失变为 $L(\theta, k)$。
这带来一个重要的可识别性问题：如果观测数据太少或位置不佳，$k$ 与 $q$ 可能形成互补关系，多组参数都能把损失压得很低，此时识别结果不可信。因此逆问题的关键不只是优化，还包括观测布局设计与参数约束（如给 $k$ 加正性约束、给 $q$ 加平滑先验）。下面的图示把正逆问题的数据流与未知量归属放在同一张图里对照。
图中上半部分是两者共用的前向与求导链路，下半部分标出了未知量归属的分叉。可以看到，逆问题并没有引入新的网络或新的求导机制，它只是把物理参数从“常量”改成了“变量”，并因此对数据与约束提出了更高要求。
五、一个可复现的示例设定
为便于后续章节衔接，这里给出一个贯穿性的示例设定（属于教学假设，非实测结果）：一维稳态导热，区间 $x\in[0,1]$，$k=2.0$，内热源 $q=1.0$，边界 $T(0)=0$、$T(1)=0$。解析解为 $T(x)=\frac{q}{2k}x(1-x)$，在 $x=0.5$ 处峰值约 $0.0625$。正问题中，取11个均匀观测点、101个内部配点训练网络，观察预测场与解析解的相对误差。逆问题中，隐藏 $k$ 的真值，仅给 $k$ 一个初始猜测 $k_0=1.0$ 和正性约束，用同样的观测点联合优化 $\theta$ 与 $k$，观察 $k$ 是否收敛到 $2.0$ 附近。
这个设定虽小，却完整覆盖了本节所有要点：网络逼近连续场、自动微分产生二阶导残差、数据项与物理项加权、以及参数从常量变为变量的统一框架。后续讨论观测布局、噪声鲁棒性与多参数耦合时，都可以回到这个基准上做对照。