尧图网站建设 
简介这份资源聚焦物理信息神经网络PINN在瞬态薛定谔方程数值求解中的应用面向量子物理模拟、科学计算与深度学习交叉领域的科研人员、研究生和工程师特别适合希望摆脱传统网格离散格式、借助神经网络方法直接求解含时偏微分方程的读者。资源以 Python 实现为主内含交互式 Jupyter 笔记本和核心运行脚本覆盖从问题建模、网络初始化、物理损失函数构造到迭代训练与结果可视化的完整流程可帮助使用者系统理解 PINN 在量子动力学场景下的实施细节与调参思路。压缩包共 162 个文件以 153 张 png 结果图、gif 动画和多张示意图为主直观呈现波包演化、配点分布、网络收敛与误差变化等关键信息另附 PDF 模型架构图和原理插图整体约 8.46MB体积小巧便于本地运行复现。目前已有 815 人学习对于正在入门物理信息网络或开展一维瞬态薛定谔方程数值实验的读者是一份可直接上手的学习与参考资源。1. 用PINN解瞬态薛定谔方程为什么偏微分离散方法在这里成了瓶颈做过量子力学数值计算的人都有这种感觉传统方法解瞬态薛定谔方程本质上是在网格上演化——时间步长小了算得慢步长大了波函数乱抖空间网格不均匀时有限差分格式的稳定性条件跟着变换一套势场就要重新调一遍离散参数。PINN物理信息神经网络换了一条路不显式做时间推进而是把时间和空间都当成神经网络的输入坐标让网络输出的波函数直接逼近整个时空域上的解。只要损失函数里把薛定谔方程的残差、初始条件和边界条件揉进去训练完一次就能拿到连续时间范围内的解想采样哪个时刻的波函数随时给值。这个思路对瞬态薛定谔方程特别合适因为方程里的波函数是复值的含虚数单位 i拆成实部和虚部后天然形成两个耦合的实值方程正好喂给神经网络做回归。这篇笔记面向的是已经熟悉薛定谔方程、想用 Python 上手 PINN 的从业者不假设你有深度学习调参经验。我会从一个最小可跑的方案讲起把损失函数怎么拆、自动微分怎么配、训练为什么不收敛这类实际问题讲透最后给一套能验证结果对错的收尾技巧。整体代码走 PyTorch不依赖 DeepXDE 之类的封装库原因后面会讲。2. 把复值波函数拆成实部和虚部损失函数的三项设计2.1 为什么复值方程要把虚数单位 i 显式拆开瞬态薛定谔方程在原子单位制下写成i ∂ψ/∂t -0.5 ∂²ψ/∂x² V(x)ψ这里的 ψ 是复值函数神经网络的输出是实数向量没法直接表示复数。常见的做法是把 ψ 拆成实部 u 和虚部 v即 ψ u iv代入原方程后分别取实部和虚部得到两个耦合的实值 PDE∂u/∂t -0.5 ∂²v/∂x² V(x)v∂v/∂t 0.5 ∂²u/∂x² - V(x)u这两个方程才是 PINN 真正要拟合的对象。拆开之后容易犯的一个错是忘掉耦合有人把 u 和 v 当成两个独立的网络训练各自的损失里只放对应方程结果波函数在演化过程中模长粒子数不守恒。正确做法是把 u 和 v 作为同一个网络的双输出头训练时同时喂这两条方程让网络自己学会两者之间的耦合关系。2.2 初始条件、边界条件与训练点抽样策略薛定谔方程的定解条件有两个初始时刻 t0 的波函数分布以及空间边界上的约束。对于无界区域问题实际计算时一般截断到一个有限区间 [-L, L]然后要求波函数在边界处趋于 0。这个边界条件不是薛定谔方程天然自带的而是你的人为截断选择 L 时要保证波函数在 t0 时离边界足够远否则初始波包就会被边界“吃掉”训练出来的解从物理上看就是错的。训练点的采样也跟传统方法很不一样。PINN 不需要在网格上求函数值而是随机抽取时空坐标点 (x, t)在这些点上计算残差。常见的做法是初始条件点在 t0 的边界线上均匀采样若干点作为初始条件的强制约束边界条件点在 x±L 的时空边界上采样强制波函数为 0PDE 残差点在 (x, t) 的二维矩形区域内随机采样这些点用来计算薛定谔方程本身的残差。我个人建议 PDE 残差点的数量取初始条件点的 10 倍以上因为 PDE 残差是网络最难拟合的部分采样太少会导致网络只记住初始形状时间演化完全走形。2.3 最小可跑的 PINN 损失框架代码下面是一段不依赖任何 PINN 封装库的损失函数骨架。这里假设势场取谐振子势 V(x) 0.5x²初始波函数取归一化的高斯波包这里略去解析归一化细节用数值归一化处理。import torch import torch.nn as nn class SchrodingerPINN(nn.Module): 输出 [u, v]分别代表波函数实部和虚部 def __init__(self, hidden64, layers4): super().__init__() seq [nn.Linear(2, hidden), nn.Tanh()] for _ in range(layers - 2): seq [nn.Linear(hidden, hidden), nn.Tanh()] seq [nn.Linear(hidden, 2)] self.net nn.Sequential(*seq) def forward(self, x, t): xt torch.stack([x, t], dim-1) return self.net(xt) # 返回 [u, v] def pde_residual(model, x, t): 计算薛定谔方程实部虚部两条残差 x.requires_grad_(True) t.requires_grad_(True) u, v model(x, t).split(1, dim-1) # 一阶时间导 u_t torch.autograd.grad(u, t, grad_outputstorch.ones_like(u), create_graphTrue)[0] v_t torch.autograd.grad(v, t, grad_outputstorch.ones_like(v), create_graphTrue)[0] # 二阶空间导 u_xx torch.autograd.grad(u, x, grad_outputstorch.ones_like(u), create_graphTrue)[0] v_xx torch.autograd.grad(v, x, grad_outputstorch.ones_like(v), create_graphTrue)[0] V 0.5 * x ** 2 # 实部方程残差: u_t 0.5*v_xx - V*v 0 res_real u_t 0.5 * v_xx - V * v # 虚部方程残差: v_t - 0.5*u_xx V*u 0 res_imag v_t - 0.5 * u_xx V * u return res_real, res_imag def loss_fn(model, pts_ic, pts_bc, pts_pde): 三项损失加权求和 # 初始条件t0 时波函数等于高斯波包 u_ic, v_ic model(pts_ic[:, 0], pts_ic[:, 1]).split(1, dim-1) # 这里用数值归一化的高斯波包作为 target psi0 torch.exp(-pts_ic[:, 0] ** 2) u0 psi0 * torch.cos(0.5 * pts_ic[:, 0]) v0 psi0 * torch.sin(0.5 * pts_ic[:, 0]) loss_ic torch.mean((u_ic - u0) ** 2) torch.mean((v_ic - v0) ** 2) # 边界条件x±L 处波函数为 0 u_bc, v_bc model(pts_bc[:, 0], pts_bc[:, 1]).split(1, dim-1) loss_bc torch.mean(u_bc ** 2) torch.mean(v_bc ** 2) # PDE 残差 res_real, res_imag pde_residual(model, pts_pde[:, 0], pts_pde[:, 1]) loss_pde torch.mean(res_real ** 2) torch.mean(res_imag ** 2) return loss_ic, loss_bc, loss_pde代码里requires_grad_(True)是必须的后面会详细说。训练时用三个损失的加权和我一般初始权重设成loss_ic * 1.0 loss_bc * 1.0 loss_pde * 0.1。PDE 残差权重压低是因为它一开始量级就比另外两项大权重太高会让网络只顾着压 PDE 残差而忽略初始条件结果就是波函数从小就不对后面再怎么训练都是在错误的基础上修补。这个权重比例不是固定的如果你发现初始条件拟合得很慢就把 IC 权重调大如果发现波函数在内部区域振荡明显把 PDE 权重稍微抬高一点。3. 搭建网络并配置自动微分核心参数不是层数而是 create_graph3.1 一个不用 DeepXDE 的最小实现MLP tanh 激活函数的选型理由很多人搜 PINN 的 Python 代码第一个跳出来的是 DeepXDE。DeepXDE 确实封装得很好但对于瞬态薛定谔方程这种复值耦合问题封装的便利反而容易让你在调参时摸不着头脑——你很难直观看到自动微分是怎么做的出了问题也不知道是该调网络结构还是改损失函数。我在这个项目里坚持手写一个多层感知机MLP全部代码不超过 150 行调试时每一步都在控制范围内。网络结构上我选Linear Tanh的经典组合。激活函数不要用 ReLU理由是薛定谔方程的解是光滑的复值函数ReLU 的不可导点会让二阶导数在那些位置剧烈跳动PDE 残差的 loss 永远压不下去。tanh 的好处是光滑且二阶导存在虽然存在梯度饱和问题但在 PDE 残差类问题上比 ReLU 稳定得多。隐藏层宽度我用 64层数用 4 层这个规模对一维问题足够了。网络输出是 2 维分别对应 u 和 v比拆成两个独立网络更稳因为共享了底层的特征提取网络学到的空间特征同时服务于实部和虚部。输入坐标的归一化也要注意。时间和空间的范围如果差太多比如 x 在 [-5, 5]t 在 [0, 1]两个维度的尺度差 10 倍网络初始权重下各维度的贡献不平衡训练会非常慢。我的习惯是先把 x 和 t 各归一化到 [-1, 1]训练完成后再反归一化到物理坐标。这一步看着简单省掉的话 loss 降下去的速度能差 3 到 5 倍。3.2 create_graphTrue 与二阶导数的链式理解自动微分是 PINN 的立身之本。传统数值方法用差分格式近似导数PINN 用torch.autograd.grad直接求解析导数。但这里有一个新手几乎必踩的坑计算二阶导数时第一次grad调用必须加create_graphTrue否则二阶导数为零。原因在于 PyTorch 的自动微分默认是一次性的。第一次对u求x的梯度时输出了一个梯度张量u_x但这个张量本身和计算图已经断开了——你无法再对u_x求导。加create_graphTrue会让 PyTorch 保留计算图使得对u_x再次求导成为可能。上面第 2.3 节代码里的pde_residual函数中u_xx torch.autograd.grad(u, x, create_graphTrue)实际是对u_x一阶导再求一次导所以create_graph必须为True。如果你看到训练过程中 PDE 残差的 loss 降不下去先检查这里而不是急着调网络结构。这个参数的理解对调试很重要因为torch.autograd.grad返回的是一个元组而不是张量很多人直接拿它去跟其他张量做运算会报错。代码里[0]索引就是取里面的张量。如果你用的是grad而不是backward还需要手动grad_outputstorch.ones_like(u)来指定梯度回传的权重因为u是标量函数而不是标量本身。3.3 训练主循环与残差权重设置训练循环本身不复杂但有几个参数对结果影响很大。先看主循环代码import torch.optim as optim # 生成训练点 x_range torch.linspace(-5, 5, 200) t_range torch.linspace(0, 2, 200) # PDE 残差点二维矩形区域随机采样 pts_pde torch.stack([ torch.rand(20000) * 10 - 5, # x in [-5, 5] torch.rand(20000) * 2 # t in [0, 2] ], dim-1) # 初始条件点t0 的一条线上 pts_ic torch.stack([ torch.rand(2000) * 10 - 5, torch.zeros(2000) ], dim-1) # 边界条件点x±5 的两条竖线 x_bc torch.cat([torch.full((1000,), -5.0), torch.full((1000,), 5.0)]) t_bc torch.rand(2000) * 2 pts_bc torch.stack([x_bc, t_bc], dim-1) model SchrodingerPINN() optimizer optim.Adam(model.parameters(), lr1e-3) w_ic, w_bc, w_pde 1.0, 1.0, 0.1 for step in range(30000): optimizer.zero_grad() loss_ic, loss_bc, loss_pde loss_fn(model, pts_ic, pts_bc, pts_pde) loss w_ic * loss_ic w_bc * loss_bc w_pde * loss_pde loss.backward() optimizer.step() if step % 2000 0: print(fstep {step}: IC{loss_ic.item():.2e}, fBC{loss_bc.item():.2e}, PDE{loss_pde.item():.2e})这里有几个参数值得单独解释。优化器选择 Adam 而不是 SGD因为 Adam 的自适应学习率在 PDE 残差这种多尺度损失上收敛稳定得多。学习率取1e-3是我试过多个方案后的折中选择——1e-2会在前几百步就发散1e-4收敛太慢到两万步时 loss 还在缓慢下降。如果你用的是 GPU 且显存充足PDE 残差点可以加到 5 万个CPU 上用 2 万点就够了再多训练时间会明显变长。训练点的生成用的是torch.rand均匀随机采样不是网格点。有人图省事用torch.meshgrid生成网格点这样做的坏处是损失函数在网格点之间没有约束网络学到的函数可能在这些空隙里振荡PDE 残差虽然看着降下去了但实际波函数形状是抖的。随机采样让网络在空间上无法“偷懒”是 PINN 训练的标准做法。3. 训练过程中的观测指标从三项 loss 的变化判断网络状态咦这里编号应该顺延到这一步很多人会问“我盯着 step 输出看什么时候算训练好了” 我的经验是分三个阶段看前 1000 步IC loss 应该快速下降因为初始条件是网络最容易拟合的如果 IC loss 下降慢说明学习率太低或者初始条件采样点太少5000 步到 10000 步PDE loss 开始主导训练它下降的速度决定了网络内部区域是否学到位最后阶段三项 loss 都进入了缓慢下降的平台期这时候不要再加训练步数转而检查验证误差因为 PINN 的过拟合在 PDE 问题里体现为残差很小但波函数形状振荡——后面我会专门讲怎么验证。4. 瞬态薛定谔方程的 PINN 训练避坑5 个让损失卡死或发散的原因4.1 现象loss 掉到 1e-3 就不再下降波函数形状还在抖这几乎是所有 PINN 训练都会遇到的第一个瓶颈。loss 看着已经在平台期但把波函数画出来形状在空间上有小而密的波纹。原因是 PDE 残差点在空间上的分布不够密。你的无损函数在随机采样点上都接近 0但网络在采样点之间可以随意弯曲形成高频振荡。PINN 的“过拟合”不是传统意义上的记忆数据点而是在采样稀疏区域自由发挥。解决方法是增加 PDE 残差点的采样密度特别是波函数变化剧烈的时间段和空间位置。另一个常见的 trick 是每训练若干步重新采样一次训练点让网络没机会记住固定点位。我在训练循环里每 1000 步重新生成一次pts_pde能显著缓解这种振荡。4.2 现象前几百步 IC loss 降下来了但 PDE loss 反而升高这不是网络坏了而是 PDE 残差和初始条件之间的耦合效应。训练前期网络把精力全部放在拟合初始条件上波函数在 t0 附近被强行拉成高斯形状但这个形状在方程里并不是稳态解导致 PDE 残差在初始时刻附近很大。这时候不要急着改权重。先看 PDE loss 是否在 2000 步之后开始回落如果只是短暂升高后回落属于正常现象如果一直升高不回头说明 PDE 权重太小网络完全忽略了方程约束。后一种情况把w_pde从 0.1 调到 0.5重跑一遍。4.3 现象边界处波函数鼓包模长不守恒边界条件的处理是薛定谔方程最容易出物理错误的地方。出现鼓包首先怀疑边界条件采样数据太少或者pts_ic里的 t 坐标没有严格置零——我自己的代码里就犯过这个错torch.zeros(2000)写好之后后续torch.stack时维度没配平t 坐标变成了随机小量。另一个物理原因边界截断距离 L 太小。初始高斯波包的尾部虽然很小但不是零如果波包的宽度和 L 同量级边界条件会跟初始条件打架网络无论如何也同时满足不了两边。检查 L 是否至少是初始波包宽度 (2σ) 的 4 到 5 倍不够就把 x 范围扩大。4.4 现象PDE 残差和初始条件残差量级差 100 倍权重调来调去都失衡这是一个数值量级问题不是权重问题。薛定谔方程的 PDE 残差因为含二阶导数初始阶段量级往往在 1e0 到 1e2 之间而初始条件残差量级在 1e-1 左右。直接加权重只是硬性拉到一起内部分布仍然不均衡。我的解决办法是给 PDE 残差加归一化因子。先跑一次前向统计 PDE 残差的均方根值然后让loss_pde torch.mean((res_real / res_std) ** 2)。这一步相当于给每个残差项做了标准化权重调起来就有意义了。这个方法在文献里的叫法是 loss balancing手写实现就是加一个统计量。4.5 现象换一组初始波函数参数训练好的网络直接失效这里涉及 PINN 的根本局限。网络学到的是某个特定初始条件和势场下的解换个初始条件就要重新训练。遇到这种情况不必灰心它不是配置问题而是模型容量和训练策略的本质约束。一个实用的缓解思路是把初始条件参数比如波包宽度、中心位置作为额外输入喂给网络让它学会在不同初始条件间插值。代价是训练难度明显增加训练点需要覆盖更大范围的参数空间。如果你的业务场景只是反复求解同类型的薛定谔方程这个思路值得投入如果每次初始条件差异巨大老实重新训练更快。5. 验证与外推技巧用粒子数守恒和解析解给训练结果上保险训练完模型第一件事不是拿去画波函数图而是做物理量验证。PINN 的损失下降只代表残差小不代表解是物理上合理的。薛定谔方程有一个天然的不变量粒子数守恒。波函数的模平方在空间上的积分应该不随时间变化即 ∫|ψ(x,t)|²dx 是常数。计算方式非常简单# 沿空间方向对时间切片采样 x_eval torch.linspace(-5, 5, 500) t_eval torch.tensor([0.2, 0.5, 1.0, 1.5, 2.0]) for t in t_eval: u, v model(x_eval, t.expand_as(x_eval)).split(1, dim-1) density (u.squeeze() ** 2 v.squeeze() ** 2).detach().numpy() # 梯形法数值积分 prob torch.trapezoid(torch.tensor(density), x_eval) print(ft{t.item():.1f}, 概率密度积分{prob.item():.4f})如果各个时间点的积分值偏差超过 2% 以上说明训练还没收敛特别是边界附近的误差可能很大。这是我调试 PINN 时最先跑的一个检验脚本。第二步是跟解析解对照。自由粒子V0的瞬态薛定谔方程存在精确解析解初始高斯波包的演化形式为 ψ(x,t) 1/√(1it) · exp(-x²/(2(1it)))。把训练的势场关掉重新训练一个 V0 的模型然后把预测值和解析解的实部虚部分别做对比计算相对 L2 误差。这个对照的意义在于解析解给了你一个绝对的地面真值能定量评估 PINN 在简单场景下的精度上限。一个实用的外推技巧训练时把时间域设为 [0, 2]训练完成后把 t 取到 2 以外看网络外推的结果。PINN 在训练时间范围之外的表现通常很差但它失效的方式很有规律——先是模长轻微漂移随后相位错乱。如果你需要长时间演化的解最好的做法不是强行外推而是把时间域直接拉长到需求范围但代价是 PDE 残差的训练难度会随时间域非线性上升。我的习惯是先把短时间域的精度验证到分子级再逐步拉长满足业务需求。最后说一个实践中积累的教训。PINN 解薛定谔方程的成败更多取决于你对损失函数结构的理解而不是网络调参技巧。我用 matlab 搭建过同类网络验证可行性但真正把问题调通还是在 Python 的 PyTorch 里——自动微分的透明度和调试工具的成熟度决定了你能在多大程度上看清训练过程中的每一步。希望这里的损失函数拆分、权重设计和验证套路能帮你少走几轮弯路让你把更多精力放在物理问题本身而不是跟框架搏斗。本文还有配套的精品资源点击获取 物理信息神经网络求解瞬态薛定谔方程的PyTorch实战与避坑指南
简介这份资源聚焦物理信息神经网络PINN在瞬态薛定谔方程数值求解中的应用面向量子物理模拟、科学计算与深度学习交叉领域的科研人员、研究生和工程师特别适合希望摆脱传统网格离散格式、借助神经网络方法直接求解含时偏微分方程的读者。资源以 Python 实现为主内含交互式 Jupyter 笔记本和核心运行脚本覆盖从问题建模、网络初始化、物理损失函数构造到迭代训练与结果可视化的完整流程可帮助使用者系统理解 PINN 在量子动力学场景下的实施细节与调参思路。压缩包共 162 个文件以 153 张 png 结果图、gif 动画和多张示意图为主直观呈现波包演化、配点分布、网络收敛与误差变化等关键信息另附 PDF 模型架构图和原理插图整体约 8.46MB体积小巧便于本地运行复现。目前已有 815 人学习对于正在入门物理信息网络或开展一维瞬态薛定谔方程数值实验的读者是一份可直接上手的学习与参考资源。1. 用PINN解瞬态薛定谔方程为什么偏微分离散方法在这里成了瓶颈做过量子力学数值计算的人都有这种感觉传统方法解瞬态薛定谔方程本质上是在网格上演化——时间步长小了算得慢步长大了波函数乱抖空间网格不均匀时有限差分格式的稳定性条件跟着变换一套势场就要重新调一遍离散参数。PINN物理信息神经网络换了一条路不显式做时间推进而是把时间和空间都当成神经网络的输入坐标让网络输出的波函数直接逼近整个时空域上的解。只要损失函数里把薛定谔方程的残差、初始条件和边界条件揉进去训练完一次就能拿到连续时间范围内的解想采样哪个时刻的波函数随时给值。这个思路对瞬态薛定谔方程特别合适因为方程里的波函数是复值的含虚数单位 i拆成实部和虚部后天然形成两个耦合的实值方程正好喂给神经网络做回归。这篇笔记面向的是已经熟悉薛定谔方程、想用 Python 上手 PINN 的从业者不假设你有深度学习调参经验。我会从一个最小可跑的方案讲起把损失函数怎么拆、自动微分怎么配、训练为什么不收敛这类实际问题讲透最后给一套能验证结果对错的收尾技巧。整体代码走 PyTorch不依赖 DeepXDE 之类的封装库原因后面会讲。2. 把复值波函数拆成实部和虚部损失函数的三项设计2.1 为什么复值方程要把虚数单位 i 显式拆开瞬态薛定谔方程在原子单位制下写成i ∂ψ/∂t -0.5 ∂²ψ/∂x² V(x)ψ这里的 ψ 是复值函数神经网络的输出是实数向量没法直接表示复数。常见的做法是把 ψ 拆成实部 u 和虚部 v即 ψ u iv代入原方程后分别取实部和虚部得到两个耦合的实值 PDE∂u/∂t -0.5 ∂²v/∂x² V(x)v∂v/∂t 0.5 ∂²u/∂x² - V(x)u这两个方程才是 PINN 真正要拟合的对象。拆开之后容易犯的一个错是忘掉耦合有人把 u 和 v 当成两个独立的网络训练各自的损失里只放对应方程结果波函数在演化过程中模长粒子数不守恒。正确做法是把 u 和 v 作为同一个网络的双输出头训练时同时喂这两条方程让网络自己学会两者之间的耦合关系。2.2 初始条件、边界条件与训练点抽样策略薛定谔方程的定解条件有两个初始时刻 t0 的波函数分布以及空间边界上的约束。对于无界区域问题实际计算时一般截断到一个有限区间 [-L, L]然后要求波函数在边界处趋于 0。这个边界条件不是薛定谔方程天然自带的而是你的人为截断选择 L 时要保证波函数在 t0 时离边界足够远否则初始波包就会被边界“吃掉”训练出来的解从物理上看就是错的。训练点的采样也跟传统方法很不一样。PINN 不需要在网格上求函数值而是随机抽取时空坐标点 (x, t)在这些点上计算残差。常见的做法是初始条件点在 t0 的边界线上均匀采样若干点作为初始条件的强制约束边界条件点在 x±L 的时空边界上采样强制波函数为 0PDE 残差点在 (x, t) 的二维矩形区域内随机采样这些点用来计算薛定谔方程本身的残差。我个人建议 PDE 残差点的数量取初始条件点的 10 倍以上因为 PDE 残差是网络最难拟合的部分采样太少会导致网络只记住初始形状时间演化完全走形。2.3 最小可跑的 PINN 损失框架代码下面是一段不依赖任何 PINN 封装库的损失函数骨架。这里假设势场取谐振子势 V(x) 0.5x²初始波函数取归一化的高斯波包这里略去解析归一化细节用数值归一化处理。import torch import torch.nn as nn class SchrodingerPINN(nn.Module): 输出 [u, v]分别代表波函数实部和虚部 def __init__(self, hidden64, layers4): super().__init__() seq [nn.Linear(2, hidden), nn.Tanh()] for _ in range(layers - 2): seq [nn.Linear(hidden, hidden), nn.Tanh()] seq [nn.Linear(hidden, 2)] self.net nn.Sequential(*seq) def forward(self, x, t): xt torch.stack([x, t], dim-1) return self.net(xt) # 返回 [u, v] def pde_residual(model, x, t): 计算薛定谔方程实部虚部两条残差 x.requires_grad_(True) t.requires_grad_(True) u, v model(x, t).split(1, dim-1) # 一阶时间导 u_t torch.autograd.grad(u, t, grad_outputstorch.ones_like(u), create_graphTrue)[0] v_t torch.autograd.grad(v, t, grad_outputstorch.ones_like(v), create_graphTrue)[0] # 二阶空间导 u_xx torch.autograd.grad(u, x, grad_outputstorch.ones_like(u), create_graphTrue)[0] v_xx torch.autograd.grad(v, x, grad_outputstorch.ones_like(v), create_graphTrue)[0] V 0.5 * x ** 2 # 实部方程残差: u_t 0.5*v_xx - V*v 0 res_real u_t 0.5 * v_xx - V * v # 虚部方程残差: v_t - 0.5*u_xx V*u 0 res_imag v_t - 0.5 * u_xx V * u return res_real, res_imag def loss_fn(model, pts_ic, pts_bc, pts_pde): 三项损失加权求和 # 初始条件t0 时波函数等于高斯波包 u_ic, v_ic model(pts_ic[:, 0], pts_ic[:, 1]).split(1, dim-1) # 这里用数值归一化的高斯波包作为 target psi0 torch.exp(-pts_ic[:, 0] ** 2) u0 psi0 * torch.cos(0.5 * pts_ic[:, 0]) v0 psi0 * torch.sin(0.5 * pts_ic[:, 0]) loss_ic torch.mean((u_ic - u0) ** 2) torch.mean((v_ic - v0) ** 2) # 边界条件x±L 处波函数为 0 u_bc, v_bc model(pts_bc[:, 0], pts_bc[:, 1]).split(1, dim-1) loss_bc torch.mean(u_bc ** 2) torch.mean(v_bc ** 2) # PDE 残差 res_real, res_imag pde_residual(model, pts_pde[:, 0], pts_pde[:, 1]) loss_pde torch.mean(res_real ** 2) torch.mean(res_imag ** 2) return loss_ic, loss_bc, loss_pde代码里requires_grad_(True)是必须的后面会详细说。训练时用三个损失的加权和我一般初始权重设成loss_ic * 1.0 loss_bc * 1.0 loss_pde * 0.1。PDE 残差权重压低是因为它一开始量级就比另外两项大权重太高会让网络只顾着压 PDE 残差而忽略初始条件结果就是波函数从小就不对后面再怎么训练都是在错误的基础上修补。这个权重比例不是固定的如果你发现初始条件拟合得很慢就把 IC 权重调大如果发现波函数在内部区域振荡明显把 PDE 权重稍微抬高一点。3. 搭建网络并配置自动微分核心参数不是层数而是 create_graph3.1 一个不用 DeepXDE 的最小实现MLP tanh 激活函数的选型理由很多人搜 PINN 的 Python 代码第一个跳出来的是 DeepXDE。DeepXDE 确实封装得很好但对于瞬态薛定谔方程这种复值耦合问题封装的便利反而容易让你在调参时摸不着头脑——你很难直观看到自动微分是怎么做的出了问题也不知道是该调网络结构还是改损失函数。我在这个项目里坚持手写一个多层感知机MLP全部代码不超过 150 行调试时每一步都在控制范围内。网络结构上我选Linear Tanh的经典组合。激活函数不要用 ReLU理由是薛定谔方程的解是光滑的复值函数ReLU 的不可导点会让二阶导数在那些位置剧烈跳动PDE 残差的 loss 永远压不下去。tanh 的好处是光滑且二阶导存在虽然存在梯度饱和问题但在 PDE 残差类问题上比 ReLU 稳定得多。隐藏层宽度我用 64层数用 4 层这个规模对一维问题足够了。网络输出是 2 维分别对应 u 和 v比拆成两个独立网络更稳因为共享了底层的特征提取网络学到的空间特征同时服务于实部和虚部。输入坐标的归一化也要注意。时间和空间的范围如果差太多比如 x 在 [-5, 5]t 在 [0, 1]两个维度的尺度差 10 倍网络初始权重下各维度的贡献不平衡训练会非常慢。我的习惯是先把 x 和 t 各归一化到 [-1, 1]训练完成后再反归一化到物理坐标。这一步看着简单省掉的话 loss 降下去的速度能差 3 到 5 倍。3.2 create_graphTrue 与二阶导数的链式理解自动微分是 PINN 的立身之本。传统数值方法用差分格式近似导数PINN 用torch.autograd.grad直接求解析导数。但这里有一个新手几乎必踩的坑计算二阶导数时第一次grad调用必须加create_graphTrue否则二阶导数为零。原因在于 PyTorch 的自动微分默认是一次性的。第一次对u求x的梯度时输出了一个梯度张量u_x但这个张量本身和计算图已经断开了——你无法再对u_x求导。加create_graphTrue会让 PyTorch 保留计算图使得对u_x再次求导成为可能。上面第 2.3 节代码里的pde_residual函数中u_xx torch.autograd.grad(u, x, create_graphTrue)实际是对u_x一阶导再求一次导所以create_graph必须为True。如果你看到训练过程中 PDE 残差的 loss 降不下去先检查这里而不是急着调网络结构。这个参数的理解对调试很重要因为torch.autograd.grad返回的是一个元组而不是张量很多人直接拿它去跟其他张量做运算会报错。代码里[0]索引就是取里面的张量。如果你用的是grad而不是backward还需要手动grad_outputstorch.ones_like(u)来指定梯度回传的权重因为u是标量函数而不是标量本身。3.3 训练主循环与残差权重设置训练循环本身不复杂但有几个参数对结果影响很大。先看主循环代码import torch.optim as optim # 生成训练点 x_range torch.linspace(-5, 5, 200) t_range torch.linspace(0, 2, 200) # PDE 残差点二维矩形区域随机采样 pts_pde torch.stack([ torch.rand(20000) * 10 - 5, # x in [-5, 5] torch.rand(20000) * 2 # t in [0, 2] ], dim-1) # 初始条件点t0 的一条线上 pts_ic torch.stack([ torch.rand(2000) * 10 - 5, torch.zeros(2000) ], dim-1) # 边界条件点x±5 的两条竖线 x_bc torch.cat([torch.full((1000,), -5.0), torch.full((1000,), 5.0)]) t_bc torch.rand(2000) * 2 pts_bc torch.stack([x_bc, t_bc], dim-1) model SchrodingerPINN() optimizer optim.Adam(model.parameters(), lr1e-3) w_ic, w_bc, w_pde 1.0, 1.0, 0.1 for step in range(30000): optimizer.zero_grad() loss_ic, loss_bc, loss_pde loss_fn(model, pts_ic, pts_bc, pts_pde) loss w_ic * loss_ic w_bc * loss_bc w_pde * loss_pde loss.backward() optimizer.step() if step % 2000 0: print(fstep {step}: IC{loss_ic.item():.2e}, fBC{loss_bc.item():.2e}, PDE{loss_pde.item():.2e})这里有几个参数值得单独解释。优化器选择 Adam 而不是 SGD因为 Adam 的自适应学习率在 PDE 残差这种多尺度损失上收敛稳定得多。学习率取1e-3是我试过多个方案后的折中选择——1e-2会在前几百步就发散1e-4收敛太慢到两万步时 loss 还在缓慢下降。如果你用的是 GPU 且显存充足PDE 残差点可以加到 5 万个CPU 上用 2 万点就够了再多训练时间会明显变长。训练点的生成用的是torch.rand均匀随机采样不是网格点。有人图省事用torch.meshgrid生成网格点这样做的坏处是损失函数在网格点之间没有约束网络学到的函数可能在这些空隙里振荡PDE 残差虽然看着降下去了但实际波函数形状是抖的。随机采样让网络在空间上无法“偷懒”是 PINN 训练的标准做法。3. 训练过程中的观测指标从三项 loss 的变化判断网络状态咦这里编号应该顺延到这一步很多人会问“我盯着 step 输出看什么时候算训练好了” 我的经验是分三个阶段看前 1000 步IC loss 应该快速下降因为初始条件是网络最容易拟合的如果 IC loss 下降慢说明学习率太低或者初始条件采样点太少5000 步到 10000 步PDE loss 开始主导训练它下降的速度决定了网络内部区域是否学到位最后阶段三项 loss 都进入了缓慢下降的平台期这时候不要再加训练步数转而检查验证误差因为 PINN 的过拟合在 PDE 问题里体现为残差很小但波函数形状振荡——后面我会专门讲怎么验证。4. 瞬态薛定谔方程的 PINN 训练避坑5 个让损失卡死或发散的原因4.1 现象loss 掉到 1e-3 就不再下降波函数形状还在抖这几乎是所有 PINN 训练都会遇到的第一个瓶颈。loss 看着已经在平台期但把波函数画出来形状在空间上有小而密的波纹。原因是 PDE 残差点在空间上的分布不够密。你的无损函数在随机采样点上都接近 0但网络在采样点之间可以随意弯曲形成高频振荡。PINN 的“过拟合”不是传统意义上的记忆数据点而是在采样稀疏区域自由发挥。解决方法是增加 PDE 残差点的采样密度特别是波函数变化剧烈的时间段和空间位置。另一个常见的 trick 是每训练若干步重新采样一次训练点让网络没机会记住固定点位。我在训练循环里每 1000 步重新生成一次pts_pde能显著缓解这种振荡。4.2 现象前几百步 IC loss 降下来了但 PDE loss 反而升高这不是网络坏了而是 PDE 残差和初始条件之间的耦合效应。训练前期网络把精力全部放在拟合初始条件上波函数在 t0 附近被强行拉成高斯形状但这个形状在方程里并不是稳态解导致 PDE 残差在初始时刻附近很大。这时候不要急着改权重。先看 PDE loss 是否在 2000 步之后开始回落如果只是短暂升高后回落属于正常现象如果一直升高不回头说明 PDE 权重太小网络完全忽略了方程约束。后一种情况把w_pde从 0.1 调到 0.5重跑一遍。4.3 现象边界处波函数鼓包模长不守恒边界条件的处理是薛定谔方程最容易出物理错误的地方。出现鼓包首先怀疑边界条件采样数据太少或者pts_ic里的 t 坐标没有严格置零——我自己的代码里就犯过这个错torch.zeros(2000)写好之后后续torch.stack时维度没配平t 坐标变成了随机小量。另一个物理原因边界截断距离 L 太小。初始高斯波包的尾部虽然很小但不是零如果波包的宽度和 L 同量级边界条件会跟初始条件打架网络无论如何也同时满足不了两边。检查 L 是否至少是初始波包宽度 (2σ) 的 4 到 5 倍不够就把 x 范围扩大。4.4 现象PDE 残差和初始条件残差量级差 100 倍权重调来调去都失衡这是一个数值量级问题不是权重问题。薛定谔方程的 PDE 残差因为含二阶导数初始阶段量级往往在 1e0 到 1e2 之间而初始条件残差量级在 1e-1 左右。直接加权重只是硬性拉到一起内部分布仍然不均衡。我的解决办法是给 PDE 残差加归一化因子。先跑一次前向统计 PDE 残差的均方根值然后让loss_pde torch.mean((res_real / res_std) ** 2)。这一步相当于给每个残差项做了标准化权重调起来就有意义了。这个方法在文献里的叫法是 loss balancing手写实现就是加一个统计量。4.5 现象换一组初始波函数参数训练好的网络直接失效这里涉及 PINN 的根本局限。网络学到的是某个特定初始条件和势场下的解换个初始条件就要重新训练。遇到这种情况不必灰心它不是配置问题而是模型容量和训练策略的本质约束。一个实用的缓解思路是把初始条件参数比如波包宽度、中心位置作为额外输入喂给网络让它学会在不同初始条件间插值。代价是训练难度明显增加训练点需要覆盖更大范围的参数空间。如果你的业务场景只是反复求解同类型的薛定谔方程这个思路值得投入如果每次初始条件差异巨大老实重新训练更快。5. 验证与外推技巧用粒子数守恒和解析解给训练结果上保险训练完模型第一件事不是拿去画波函数图而是做物理量验证。PINN 的损失下降只代表残差小不代表解是物理上合理的。薛定谔方程有一个天然的不变量粒子数守恒。波函数的模平方在空间上的积分应该不随时间变化即 ∫|ψ(x,t)|²dx 是常数。计算方式非常简单# 沿空间方向对时间切片采样 x_eval torch.linspace(-5, 5, 500) t_eval torch.tensor([0.2, 0.5, 1.0, 1.5, 2.0]) for t in t_eval: u, v model(x_eval, t.expand_as(x_eval)).split(1, dim-1) density (u.squeeze() ** 2 v.squeeze() ** 2).detach().numpy() # 梯形法数值积分 prob torch.trapezoid(torch.tensor(density), x_eval) print(ft{t.item():.1f}, 概率密度积分{prob.item():.4f})如果各个时间点的积分值偏差超过 2% 以上说明训练还没收敛特别是边界附近的误差可能很大。这是我调试 PINN 时最先跑的一个检验脚本。第二步是跟解析解对照。自由粒子V0的瞬态薛定谔方程存在精确解析解初始高斯波包的演化形式为 ψ(x,t) 1/√(1it) · exp(-x²/(2(1it)))。把训练的势场关掉重新训练一个 V0 的模型然后把预测值和解析解的实部虚部分别做对比计算相对 L2 误差。这个对照的意义在于解析解给了你一个绝对的地面真值能定量评估 PINN 在简单场景下的精度上限。一个实用的外推技巧训练时把时间域设为 [0, 2]训练完成后把 t 取到 2 以外看网络外推的结果。PINN 在训练时间范围之外的表现通常很差但它失效的方式很有规律——先是模长轻微漂移随后相位错乱。如果你需要长时间演化的解最好的做法不是强行外推而是把时间域直接拉长到需求范围但代价是 PDE 残差的训练难度会随时间域非线性上升。我的习惯是先把短时间域的精度验证到分子级再逐步拉长满足业务需求。最后说一个实践中积累的教训。PINN 解薛定谔方程的成败更多取决于你对损失函数结构的理解而不是网络调参技巧。我用 matlab 搭建过同类网络验证可行性但真正把问题调通还是在 Python 的 PyTorch 里——自动微分的透明度和调试工具的成熟度决定了你能在多大程度上看清训练过程中的每一步。希望这里的损失函数拆分、权重设计和验证套路能帮你少走几轮弯路让你把更多精力放在物理问题本身而不是跟框架搏斗。本文还有配套的精品资源点击获取