3. 逆问题参数识别的数学基础

在PINN求解参数识别问题之前，必须先回答一个更根本的问题：这个参数到底能不能被唯一、稳定地反演出来？如果忽略这一点，直接堆网络、调损失，往往得到的是"能拟合数据但物理上不可信"的参数。本节围绕适定性、可识别性、正则化与贝叶斯不确定性四条主线展开，为后续的PINN实现打下数学判断基础。

一、适定性与不适定性：Hadamard三条件

把参数识别写成算子方程形式：给定观测数据 d，求参数 θ，使得正向模型 F(θ) = d 成立。Hadamard 指出，一个问题称为适定的，需同时满足三条：

• 存在性：至少存在一个 θ 使 F(θ)=d；
• 唯一性：满足方程的 θ 只有一个；
• 稳定性：d 的微小扰动只引起 θ 的微小变化，即解连续依赖于数据。

逆问题几乎总在第三条上出问题。以最简单的线性反演为例：d = Aθ，若 A 的最小奇异值 σ_min 很小，则 θ = A⁺d 对噪声的放大倍数约为 1/σ_min。设某热传导参数识别问题中 σ_min = 1e-3，观测噪声 ‖δd‖ = 1e-3，则参数误差可达 ‖δθ‖ ≈ 1——数据看起来"几乎没变"，参数却已面目全非。这就是典型的不适定：解存在但不稳定。

二、参数可识别性分析

可识别性分两个层次。结构可识别性是理想无噪声下的唯一性问题：若存在 θ₁ ≠ θ₂ 使 F(θ₁)=F(θ₂)，则参数结构不可识别。常见来源是模型对称性（如两个参数只以乘积 k₁k₂ 出现）或参数冗余。实际可识别性则考虑有限数据与噪声：即使结构可识别，若灵敏度太低，实际也识别不出来。

工程上最实用的工具是灵敏度矩阵（雅可比）J_ij = ∂d_i/∂θ_j。对 J 做奇异值分解，小奇异值对应的右奇异向量就是"数据几乎约束不到"的参数方向。一个可操作的诊断流程是：

1. 在候选参数点 θ₀ 处用有限差分或自动微分计算 J；
2. 对 J 做 SVD，记录奇异值谱与条件数 κ = σ_max/σ_min；
3. 若 κ 超过约 1e6（双精度下经验阈值），或某奇异值低于噪声水平对应的量级，则判定该方向弱可识别；
4. 检查最小奇异值对应的右奇异向量，看哪些参数分量占主导，据此决定固定哪个参数或补充哪类观测。

例如在扩散系数与源项强度同时反演时，若观测只来自单一位置的晚期时刻，二者常呈强相关，J 的两列近似平行，条件数极大。此时补充早期时刻或另一空间点的数据，往往比换更深的网络更有效。

三、正则化与先验信息的引入

正则化的本质是用可控的偏差换取方差的下降。Tikhonov 正则化把问题改写为：

θ* = argmin_θ  ‖F(θ) − d‖²  +  λ‖L(θ − θ_ref)‖²

其中 λ 是正则化强度，L 常取单位阵（偏向小参数）或差分算子（偏向平滑场），θ_ref 是先验参考值。在 PINN 中，这一项可以直接写成损失的一部分：loss = loss_data + λ * loss_reg。需要注意 λ 的量纲要与数据损失匹配，实践中常先归一化数据残差，再在 [1e-6, 1e-1] 范围内做对数扫描，用 L 曲线或交叉验证选点。

先验信息不止于 L2 惩罚。物理上常见的还有：参数非负（如扩散系数、反应速率）、上下界（材料属性范围）、单调性（渗透率随深度递减）、稀疏性（只有少数源项活跃，对应 L1）。在 PINN 中，硬约束可通过参数重参数化实现，例如令 k = softplus(w) 保证 k > 0，比事后裁剪更稳定。

四、贝叶斯视角下的参数不确定性量化初步

点估计只给出一个数，而工程决策往往需要"这个参数有多可信"。贝叶斯框架把参数视为随机变量，通过后验分布 p(θ|d) ∝ p(d|θ)p(θ) 同时表达最优值与不确定性。在线性高斯情形下，若先验 θ ~ N(θ₀, Σ₀)、噪声 δ ~ N(0, Σ_d)，后验仍是高斯分布，其协方差为：

Σ_post = (Jᵀ Σ_d⁻¹ J + Σ₀⁻¹)⁻¹
θ_map  = Σ_post (Jᵀ Σ_d⁻¹ d + Σ₀⁻¹ θ₀)

这个式子把前面几条线索串起来了：JᵀΣ_d⁻¹J 是数据提供的信息矩阵，Σ₀⁻¹ 是先验信息，二者相加再求逆，正是"数据 + 先验"的融合。当 J 的某方向奇异值很小，该方向的信息几乎全由先验决定，后验方差大，说明该参数组合不可识别——这与 SVD 诊断的结论完全一致。

对非线性模型或 PINN，精确后验难以解析，常用两类近似：一是拉普拉斯近似，在 MAP 点处用 J 构造高斯近似，计算量小，适合快速给出参数置信区间；二是采样方法（如 MCMC 或集成卡尔曼），代价高但更可靠。在 PINN 实践中，一种轻量做法是训练多个不同初始化的网络集成，用参数预测的分散度近似后验宽度，作为不确定性的粗略指标。

把上述内容落到 PINN 参数识别的实际流程中，建议的顺序是：先做灵敏度与 SVD 诊断，判断问题是否适定、哪些参数弱可识别；再据此选择正则化形式与先验约束，并把它们写进损失函数或参数化方式；训练收敛后，用拉普拉斯近似或集成方法给出参数区间，而不是只报告一个点值。这样得到的参数不仅"拟合了数据"，还带有可解释的可信度，才真正具备工程使用价值。