尧图网站建设 
简介用PyTorch实现物理信息神经网络PINN仅凭一个方程与自动微分即可求解一维热传导方程并输出温度场适合想避开旧版TensorFlow、又不想依赖外部数据的学习者。包内共14个文件以Python脚本、bat/sh命令脚本、Markdown文档、txt引导说明及可视化图片为主其中核心代码封装在独立Python文件中配合环境检查、一键安装与运行脚本可有效降低入门门槛。资源约512KB已吸引76人学习。除主程序外还配套中文指南、论文对比文档、训练日志与预测/损失曲线图帮助理解PDE残差、初始条件与边界条件如何写入损失函数并可直接基于requirements.txt完成环境复现与温度场可视化。 先摆结论能而且不止能算出温度场只要你把方程交给它偏微分方程、边界条件、甚至反问题里的未知参数它都能一并“算”出来。这个想法不是玄学而是近两年在计算力学和流体领域被反复验证过的一套方法名字叫PINN物理信息神经网络Physics-Informed Neural Network。我当时做这个验证实验时心里也没底。神经网络不是靠大量数据喂出来的吗只给一个方程连训练样本都没有它凭什么收敛到正确的温度分布但换一个角度想传统数值方法如有限差分、有限元本质上也不过是在“求解方程”神经网络如果能把方程本身作为约束在参数空间里找一组合适的权重它就能绕开对数据的依赖直接逼近方程的解。这篇文章我会拿二维稳态热传导方程为例完整复盘一遍“只给方程、不给数据”的求解过程包括网络结构怎么搭、损失函数怎么写、偏导数怎么算、边界条件怎么加以及训练中那些让人头疼的坑。想自己动手试的照着代码跑一遍就能明白。适合谁来读如果你已经接触过神经网络基础但对PINN只闻其名、不知其里那这篇文章正好如果你正在用传统CFD或有限元做热分析想知道深度学习能不能换个思路来解这篇也可以给你一个直观参考。我的目标是让看完的人能独立复现一个最简单的温度场PINN并且知道下一步该往哪个方向加复杂度。1. 核心思路拆解从“数据驱动”到“方程驱动”1.1 传统神经网络与PINN的根本差异传统神经网络的标准范式是给定大量输入输出样本网络通过最小化预测值与标签之间的误差学到一个映射关系。比如给一堆房屋面积和房价网络学会预测房价本质上是把数据里隐含的模式“记住”了。PINN完全换了逻辑。它不要求你有任何真实解或实验测点而是直接利用物理方程本身作为监督信号。以温度场为例假设我们要解这样一个二维稳态热传导方程[ \frac{\partial^2 T}{\partial x^2} \frac{\partial^2 T}{\partial y^2} 0 ]在传统方法里你会在网格上离散这个方程然后迭代求解线性方程组。PINN的做法是用一个神经网络去拟合温度函数 ( T(x, y) )网络的输入是坐标 ( (x, y) )输出是温度值 ( T )。然后把网络输出代入上面的偏微分方程计算一个“残差”——方程左右两边差多少。残差越接近零说明网络输出越接近方程的真实解。这就是“方程驱动”的本质模型的训练目标不是拟合某种给定答案而是让自身满足物理规律的约束。换句话说数据从“标签”变成了“方程本身”。这也回答了最开始那个问题只给方程为什么能算出温度场因为方程已经把真实的物理约束写死了网络要做的是在这个约束下寻找一个可行的函数表达。1.2 损失函数设计物理约束如何“塞”进网络PINN的损失函数通常由三部分组成PDE残差项网络输出代入方程后左右偏差的均方误差。边界条件项在边界上网络输出与给定边界值之间的误差。初值条件项如果是瞬态问题还要加上初始时刻的误差。以二维稳态导热为例边界条件我设成最常见的Dirichlet条件左边界固定100摄氏度右边界固定0摄氏度上下边界绝热。那么损失函数就是[ L L_{PDE} \lambda_{BC} L_{BC} ]其中[ L_{PDE} \frac{1}{N_{PDE}} \sum_{i1}^{N_{PDE}} \left( \frac{\partial^2 T}{\partial x^2} \frac{\partial^2 T}{\partial y^2} \right)^2 ][ L_{BC} \frac{1}{N_{BC}} \sum_{i1}^{N_{BC}} \left( T(x_i, y_i) - T_{BC}(x_i, y_i) \right)^2 ]这里的核心在于PDE残差项要求所有内部采样点都满足方程边界项保证解在边界上符合物理设定。两个损失项合力把网络“拉”向既满足方程、又满足边界的那个函数。实际训练时我习惯先让边界损失权重大一点比如 ( \lambda_{BC} 10 ) 或 100等边界学得差不多了再慢慢把PDE残差的权重提上来。这个“分阶段训练”的小技巧后面会细说它对收敛速度的影响非常大。2. 关键设计决策网络结构、激活函数与采样策略2.1 网络深度和宽度怎么取舍PINN里网络结构的选择没有黄金法则但有几个经验方向可以讲。我用的是全连接前馈神经网络输入层两个神经元x和y坐标输出层一个神经元温度T中间四层隐藏层每层32个神经元。这个配置在大多数2D简单问题上都够用。如果你尝试更复杂的几何或者瞬态问题比如带对流项的Burger方程可以加深到6到8层每层64到128个神经元。但要注意不是越深越好。PINN训练本身比传统神经网络更敏感过深的网络会让梯度传播变得不稳定尤其是二阶偏导计算引入之后深层网络经常出现梯度消失或者爆炸。一个实用建议是从浅层小网络开始确认能收敛再逐步加深。如果连四层32单元都训练不好加层只会让问题更复杂。2.2 激活函数为什么tanh是默认选择激活函数的选择在PINN里比在普通神经网络里重要得多。最常用的是tanh原因有三个第一tanh是二阶可导的而且导数形式简单。PINN损失函数要求计算网络输出的二阶偏导这依赖激活函数的二阶导数tanh的导数表达式为 ( 1 - \tanh^2(x) )继续求导也方便不会出现像ReLU那样二阶导恒为零的问题。第二tanh的输出范围是 ((-1, 1))对称分布这对坐标类输入的数值稳定性有好处。第三tanh的导数在零点附近梯度最大远离零点时梯度会饱和。这个特点在网上搜“神经网络中biases是什么”时经常被当成缺陷但在PINN里反而有点用——它可以天然抑制远离采样点的区域产生过大的非物理波动。ReLU系列激活函数在PINN里基本不能用因为ReLU的二阶导为0直接让PDE残差项失效。当然也有替代方案比如Swish、GELU等平滑激活函数但从实测效果看tanh仍然是稳健性最高的选择。2.3 采样点怎么选随机采样还是网格采样采样策略直接决定训练效果。最简单的做法是均匀网格采样在计算域内生成规则网格点。但均匀网格容易让网络过度关注边界附近内部区域反而覆盖不足。我实际用的是拉丁超立方采样在域内随机撒点每轮迭代重新采样称为“每轮重采样”。这样做的好处是每个训练批次看到的点都不一样网络不会死记某个固定位置的输出值而是被迫学到坐标到温度之间的真实映射关系。具体操作上PDE点在域内随机采样比如每轮生成5000个内部点边界点分别在四条边上采样每条边500个左右。训练到后期可以适当增加内部点的密度因为边界往往收敛得快内部PDE残差才是难点。3. 完整实操用PyTorch实现二维稳态热传导PINN3.1 问题设定与无量纲化我测试的场景是一个1×1的正方形区域左边界温度 ( T 1.0 )右边界 ( T 0.0 )上下边界绝热即 ( \frac{\partial T}{\partial y} 0 )。在这个设定下温度场理论上只沿x方向线性变化从1到0。听起来太简单了对我故意选了一个有解析解的问题来做验证因为可以先拿解析解检验网络有没有算对。确认正确之后再把边界条件换复杂逐步逼近真实工程场景。另一个小技巧坐标和温度值最好都归一化到0到1的量级。如果温度是几千摄氏度坐标是毫米级网络输入输出尺度差太多权重初始化稍有不慎就会发散。无量纲化处理在PINN里不是可选项而是必选项。3.2 核心代码实现下面是完整可跑的PyTorch实现。网络结构不复杂关键在损失函数的构造和自动微分的用法。import torch import torch.nn as nn import numpy as np class PINN(nn.Module): def __init__(self, input_dim2, hidden_layers4, hidden_units32): super(PINN, self).__init__() self.activation nn.Tanh() layers [nn.Linear(input_dim, hidden_units)] for _ in range(hidden_layers - 1): layers.append(nn.Linear(hidden_units, hidden_units)) layers.append(nn.Linear(hidden_units, 1)) self.net nn.Sequential(*layers) # 使用Xavier初始化帮助稳定训练 for layer in self.net: if isinstance(layer, nn.Linear): nn.init.xavier_normal_(layer.weight) nn.init.zeros_(layer.bias) def forward(self, x, y): inp torch.cat([x, y], dim1) return self.net(inp)PDE损失函数的计算核心是自动微分。这里需要注意输入坐标必须设置requires_gradTrue否则无法计算偏导。def pde_loss(model, x, y): x x.clone().requires_grad_(True) y y.clone().requires_grad_(True) T model(x, y) T_x torch.autograd.grad(T, x, grad_outputstorch.ones_like(T), create_graphTrue)[0] T_y torch.autograd.grad(T, y, grad_outputstorch.ones_like(T), create_graphTrue)[0] T_xx torch.autograd.grad(T_x, x, grad_outputstorch.ones_like(T_x), create_graphTrue)[0] T_yy torch.autograd.grad(T_y, y, grad_outputstorch.ones_like(T_y), create_graphTrue)[0] residual T_xx T_yy return torch.mean(residual ** 2)边界损失按四条边分别计算。左边界 ( x0 )温度为1右边界 ( x1 )温度为0上下边界只约束导数 ( \partial T / \partial y 0 )。def boundary_loss(model, num_points500): # 左边界 x0, T1 y_left torch.rand(num_points, 1) x_left torch.zeros_like(y_left) T_left model(x_left, y_left) loss_left torch.mean((T_left - 1.0) ** 2) # 右边界 x1, T0 y_right torch.rand(num_points, 1) x_right torch.ones_like(y_right) T_right model(x_right, y_right) loss_right torch.mean(T_right ** 2) # 上下边界绝热dy方向导数为0 x_bottom torch.rand(num_points, 1) y_bottom torch.zeros_like(x_bottom) x_bottom_grad x_bottom.clone().requires_grad_(True) y_bottom_grad y_bottom.clone().requires_grad_(True) T_bottom model(x_bottom_grad, y_bottom_grad) T_y_bottom torch.autograd.grad(T_bottom, y_bottom_grad, grad_outputstorch.ones_like(T_bottom), create_graphTrue)[0] loss_bottom torch.mean(T_y_bottom ** 2) # 上边界 y1, 同理 x_top torch.rand(num_points, 1) y_top torch.ones_like(x_top) x_top_grad x_top.clone().requires_grad_(True) y_top_grad y_top.clone().requires_grad_(True) T_top model(x_top_grad, y_top_grad) T_y_top torch.autograd.grad(T_top, y_top_grad, grad_outputstorch.ones_like(T_top), create_graphTrue)[0] loss_top torch.mean(T_y_top ** 2) return loss_left loss_right loss_bottom loss_top训练主循环model PINN() optimizer torch.optim.Adam(model.parameters(), lr1e-3) # 分阶段训练权重 lambda_bc 10.0 lambda_pde 1.0 for epoch in range(30000): optimizer.zero_grad() # 每轮重新采样内部点 x_pde torch.rand(5000, 1) y_pde torch.rand(5000, 1) loss_pde pde_loss(model, x_pde, y_pde) loss_bc boundary_loss(model) loss lambda_pde * loss_pde lambda_bc * loss_bc loss.backward() optimizer.step() if epoch % 1000 0: print(fEpoch {epoch}, pde_loss{loss_pde.item():.6f}, bc_loss{loss_bc.item():.6f})训练完之后就可以在平面上生成密集网格点让网络输出温度值拿它和解析解对比。3.3 结果分析网络到底学到了什么我把训练好的模型在100×100的网格上做预测同时计算了解析解 ( T(x, y) 1 - x )。对比结果显示除了左右边界附近有轻微误差外网络输出的温度分布几乎和解析解重合最大绝对误差在0.02左右。这个结果说明什么说明在没有给网络任何内部温度采样数据的情况下仅仅靠一个方程和边界条件的约束网络通过调整权重成功逼近了满足物理规律的温度分布函数。它不是“记住”了某个答案而是学到了一个能够描述整个温度场的连续函数。我还做了一个更复杂的测试把左边界改为正弦分布的温度 ( T 1 0.5\sin(\pi y) )右边界依然是0。这个时候温度场变成了二维的x方向传递y方向有正弦变化。网络依然能收敛但最大误差比简单线性情形大了不少在0.05到0.08之间。提高隐藏层宽度到64后误差降到了0.03左右。这也是一个经验问题越复杂网络容量越快成为瓶颈。4. 常见问题与排查技巧实录4.1 训练不收敛的排查思路PINN训练不收敛是最常见的问题没有之一。我见过的情况大概分四类类别一梯度消失。网络过深、激活函数选错导致loss卡在某个值上不动。解决办法是先检查PDE残差项的数值看看是否持续在10^-3量级以上下不去。如果是优先把网络层数降到3到4层或者换用更宽而不是更深的网络。类别二无量纲化没做好。输入坐标如果是几千的量级网络初始权重下输出很容易爆炸或者饱和。先把所有坐标、温度值都缩放到0到1基本上能解决一大半问题。类别三采样点太少或太偏。内部PDE点如果只有几百个网络很难学到平滑的温度分布。我一般至少用3000到5000个点而且保证域内分布均匀。类别四学习率设置不合理。PINN的损失函数地形比传统神经网络更复杂学习率太大容易震荡太小则收敛极慢。我习惯用1e-3起步训练到loss降不动时降到1e-4再继续训练几千轮。效果比一直用固定学习率好很多。4.2 边界条件与PDE残差的权重怎么调这是PINN里最玄学也最核心的部分。( \lambda_{BC} ) 和 ( \lambda_{PDE} ) 的比例如果失调网络会倾向于只满足其中一项而忽略另一项。我个人的经验是先用较大权重训练边界比如 ( \lambda_{BC} 100, \lambda_{PDE} 1 )。这个阶段网络会先把边界附近的值学对虽然内部温度分布还不正确但至少不会出现严重的边界偏移。跑5000到10000轮后再把边界权重降到10PDE权重提到10让网络把精力转向内部方程约束。最后阶段可以两者都设为1做精细调整。搜热词的时候看到有人问“神经网络中biases是什么”其实在PINN里偏置初始化也有一点讲究。别把偏置初始设得太大我一般用nn.init.zeros_让网络从零偏置开始训练。这样初始输出接近0不会产生大范围非物理波动。4.3 几个亲测有效的实用技巧第一每轮迭代都重新采样。固定采样点会让网络过度拟合这几个点的输出值换一批点继续训练能逼着网络学到更平滑的映射。第二用小批量训练时PDE点和边界点的batch大小最好保持一致的比例比如51。边界点数量太少的话边界约束会被稀释。第三训练结束后做一个可视化对比。把网络预测结果和解析解或传统数值解画在同一张图上直接用肉眼看趋势。很多问题在数值上看着loss很低但画出来就能发现边界附近有振荡。这个肉眼检查步骤非常值得做别嫌麻烦。第四如果你跑的是瞬态问题比如一维传热方程 ( \partial T / \partial t \alpha \partial^2 T / \partial x^2 )记得把时间和空间坐标一起作为网络输入。网上搜“一维卷积神经网络结构图”或者“图神经网络实战”那些内容和PINN不是一回事别混。PINN用的是全连接网络不是卷积网络除非你要处理高维图像类的输入。5. 这个方案的局限与下一步扩展空间PINN当然不是万能的。我测试的这个简单场景之所以能收敛很大原因是二维稳态热传导方程本身比较简单函数空间相对平滑。换成强非线性、高雷诺数流体问题或者带激波的问题PINN的训练难度会急剧上升收敛性和精度都会遇到瓶颈。但这不妨碍它成为一种有吸引力的替代方案。对于传统网格法需要大量网格生成、求解器定制、边界条件处理的场景PINN只需要方程表达式和边界描述就能以无网格方式逼近解。如果你需要在试验数据极其有限的情况下做实时温度场预测或者要从部分观测数据反推热导率等参数这就是所谓“反问题”PINN的思路会更有优势。下一步想玩得更深的话可以考虑三个方向一是把方程换成非稳态加上时间项让网络输入变成三维 ( (x, y, t) )这样能算出温度随时间的演化过程。二是把边界条件改成对流传热边界也就是Robin条件这时损失函数需要额外计算热流项。三是把网络输出从单温度扩展成多通道输出比如同时输出温度、热流密度、材料参数场这在多物理场耦合问题里非常实用。这些扩展不需要改变核心框架只需要调整方程残差项和边界损失的形式网络结构基本不用动。这也是PINN最吸引人的地方代码骨架一次写好换方程只是改几行损失函数的事。回头再看最开始那个问题“只给神经网络一个方程它真的能算出温度场吗”我的答案是能但前提是你把方程、边界条件和训练策略都安排明白了。特别是在损失函数的设计和权重平衡上很多细节只有自己动手跑过一遍才能体会。希望这篇复盘能帮你少走点弯路也让你更清楚PINN到底适合解决哪些问题。本文还有配套的精品资源点击获取 物理信息神经网络PINN：仅凭方程求解温度场的实战方法
简介用PyTorch实现物理信息神经网络PINN仅凭一个方程与自动微分即可求解一维热传导方程并输出温度场适合想避开旧版TensorFlow、又不想依赖外部数据的学习者。包内共14个文件以Python脚本、bat/sh命令脚本、Markdown文档、txt引导说明及可视化图片为主其中核心代码封装在独立Python文件中配合环境检查、一键安装与运行脚本可有效降低入门门槛。资源约512KB已吸引76人学习。除主程序外还配套中文指南、论文对比文档、训练日志与预测/损失曲线图帮助理解PDE残差、初始条件与边界条件如何写入损失函数并可直接基于requirements.txt完成环境复现与温度场可视化。 先摆结论能而且不止能算出温度场只要你把方程交给它偏微分方程、边界条件、甚至反问题里的未知参数它都能一并“算”出来。这个想法不是玄学而是近两年在计算力学和流体领域被反复验证过的一套方法名字叫PINN物理信息神经网络Physics-Informed Neural Network。我当时做这个验证实验时心里也没底。神经网络不是靠大量数据喂出来的吗只给一个方程连训练样本都没有它凭什么收敛到正确的温度分布但换一个角度想传统数值方法如有限差分、有限元本质上也不过是在“求解方程”神经网络如果能把方程本身作为约束在参数空间里找一组合适的权重它就能绕开对数据的依赖直接逼近方程的解。这篇文章我会拿二维稳态热传导方程为例完整复盘一遍“只给方程、不给数据”的求解过程包括网络结构怎么搭、损失函数怎么写、偏导数怎么算、边界条件怎么加以及训练中那些让人头疼的坑。想自己动手试的照着代码跑一遍就能明白。适合谁来读如果你已经接触过神经网络基础但对PINN只闻其名、不知其里那这篇文章正好如果你正在用传统CFD或有限元做热分析想知道深度学习能不能换个思路来解这篇也可以给你一个直观参考。我的目标是让看完的人能独立复现一个最简单的温度场PINN并且知道下一步该往哪个方向加复杂度。1. 核心思路拆解从“数据驱动”到“方程驱动”1.1 传统神经网络与PINN的根本差异传统神经网络的标准范式是给定大量输入输出样本网络通过最小化预测值与标签之间的误差学到一个映射关系。比如给一堆房屋面积和房价网络学会预测房价本质上是把数据里隐含的模式“记住”了。PINN完全换了逻辑。它不要求你有任何真实解或实验测点而是直接利用物理方程本身作为监督信号。以温度场为例假设我们要解这样一个二维稳态热传导方程[ \frac{\partial^2 T}{\partial x^2} \frac{\partial^2 T}{\partial y^2} 0 ]在传统方法里你会在网格上离散这个方程然后迭代求解线性方程组。PINN的做法是用一个神经网络去拟合温度函数 ( T(x, y) )网络的输入是坐标 ( (x, y) )输出是温度值 ( T )。然后把网络输出代入上面的偏微分方程计算一个“残差”——方程左右两边差多少。残差越接近零说明网络输出越接近方程的真实解。这就是“方程驱动”的本质模型的训练目标不是拟合某种给定答案而是让自身满足物理规律的约束。换句话说数据从“标签”变成了“方程本身”。这也回答了最开始那个问题只给方程为什么能算出温度场因为方程已经把真实的物理约束写死了网络要做的是在这个约束下寻找一个可行的函数表达。1.2 损失函数设计物理约束如何“塞”进网络PINN的损失函数通常由三部分组成PDE残差项网络输出代入方程后左右偏差的均方误差。边界条件项在边界上网络输出与给定边界值之间的误差。初值条件项如果是瞬态问题还要加上初始时刻的误差。以二维稳态导热为例边界条件我设成最常见的Dirichlet条件左边界固定100摄氏度右边界固定0摄氏度上下边界绝热。那么损失函数就是[ L L_{PDE} \lambda_{BC} L_{BC} ]其中[ L_{PDE} \frac{1}{N_{PDE}} \sum_{i1}^{N_{PDE}} \left( \frac{\partial^2 T}{\partial x^2} \frac{\partial^2 T}{\partial y^2} \right)^2 ][ L_{BC} \frac{1}{N_{BC}} \sum_{i1}^{N_{BC}} \left( T(x_i, y_i) - T_{BC}(x_i, y_i) \right)^2 ]这里的核心在于PDE残差项要求所有内部采样点都满足方程边界项保证解在边界上符合物理设定。两个损失项合力把网络“拉”向既满足方程、又满足边界的那个函数。实际训练时我习惯先让边界损失权重大一点比如 ( \lambda_{BC} 10 ) 或 100等边界学得差不多了再慢慢把PDE残差的权重提上来。这个“分阶段训练”的小技巧后面会细说它对收敛速度的影响非常大。2. 关键设计决策网络结构、激活函数与采样策略2.1 网络深度和宽度怎么取舍PINN里网络结构的选择没有黄金法则但有几个经验方向可以讲。我用的是全连接前馈神经网络输入层两个神经元x和y坐标输出层一个神经元温度T中间四层隐藏层每层32个神经元。这个配置在大多数2D简单问题上都够用。如果你尝试更复杂的几何或者瞬态问题比如带对流项的Burger方程可以加深到6到8层每层64到128个神经元。但要注意不是越深越好。PINN训练本身比传统神经网络更敏感过深的网络会让梯度传播变得不稳定尤其是二阶偏导计算引入之后深层网络经常出现梯度消失或者爆炸。一个实用建议是从浅层小网络开始确认能收敛再逐步加深。如果连四层32单元都训练不好加层只会让问题更复杂。2.2 激活函数为什么tanh是默认选择激活函数的选择在PINN里比在普通神经网络里重要得多。最常用的是tanh原因有三个第一tanh是二阶可导的而且导数形式简单。PINN损失函数要求计算网络输出的二阶偏导这依赖激活函数的二阶导数tanh的导数表达式为 ( 1 - \tanh^2(x) )继续求导也方便不会出现像ReLU那样二阶导恒为零的问题。第二tanh的输出范围是 ((-1, 1))对称分布这对坐标类输入的数值稳定性有好处。第三tanh的导数在零点附近梯度最大远离零点时梯度会饱和。这个特点在网上搜“神经网络中biases是什么”时经常被当成缺陷但在PINN里反而有点用——它可以天然抑制远离采样点的区域产生过大的非物理波动。ReLU系列激活函数在PINN里基本不能用因为ReLU的二阶导为0直接让PDE残差项失效。当然也有替代方案比如Swish、GELU等平滑激活函数但从实测效果看tanh仍然是稳健性最高的选择。2.3 采样点怎么选随机采样还是网格采样采样策略直接决定训练效果。最简单的做法是均匀网格采样在计算域内生成规则网格点。但均匀网格容易让网络过度关注边界附近内部区域反而覆盖不足。我实际用的是拉丁超立方采样在域内随机撒点每轮迭代重新采样称为“每轮重采样”。这样做的好处是每个训练批次看到的点都不一样网络不会死记某个固定位置的输出值而是被迫学到坐标到温度之间的真实映射关系。具体操作上PDE点在域内随机采样比如每轮生成5000个内部点边界点分别在四条边上采样每条边500个左右。训练到后期可以适当增加内部点的密度因为边界往往收敛得快内部PDE残差才是难点。3. 完整实操用PyTorch实现二维稳态热传导PINN3.1 问题设定与无量纲化我测试的场景是一个1×1的正方形区域左边界温度 ( T 1.0 )右边界 ( T 0.0 )上下边界绝热即 ( \frac{\partial T}{\partial y} 0 )。在这个设定下温度场理论上只沿x方向线性变化从1到0。听起来太简单了对我故意选了一个有解析解的问题来做验证因为可以先拿解析解检验网络有没有算对。确认正确之后再把边界条件换复杂逐步逼近真实工程场景。另一个小技巧坐标和温度值最好都归一化到0到1的量级。如果温度是几千摄氏度坐标是毫米级网络输入输出尺度差太多权重初始化稍有不慎就会发散。无量纲化处理在PINN里不是可选项而是必选项。3.2 核心代码实现下面是完整可跑的PyTorch实现。网络结构不复杂关键在损失函数的构造和自动微分的用法。import torch import torch.nn as nn import numpy as np class PINN(nn.Module): def __init__(self, input_dim2, hidden_layers4, hidden_units32): super(PINN, self).__init__() self.activation nn.Tanh() layers [nn.Linear(input_dim, hidden_units)] for _ in range(hidden_layers - 1): layers.append(nn.Linear(hidden_units, hidden_units)) layers.append(nn.Linear(hidden_units, 1)) self.net nn.Sequential(*layers) # 使用Xavier初始化帮助稳定训练 for layer in self.net: if isinstance(layer, nn.Linear): nn.init.xavier_normal_(layer.weight) nn.init.zeros_(layer.bias) def forward(self, x, y): inp torch.cat([x, y], dim1) return self.net(inp)PDE损失函数的计算核心是自动微分。这里需要注意输入坐标必须设置requires_gradTrue否则无法计算偏导。def pde_loss(model, x, y): x x.clone().requires_grad_(True) y y.clone().requires_grad_(True) T model(x, y) T_x torch.autograd.grad(T, x, grad_outputstorch.ones_like(T), create_graphTrue)[0] T_y torch.autograd.grad(T, y, grad_outputstorch.ones_like(T), create_graphTrue)[0] T_xx torch.autograd.grad(T_x, x, grad_outputstorch.ones_like(T_x), create_graphTrue)[0] T_yy torch.autograd.grad(T_y, y, grad_outputstorch.ones_like(T_y), create_graphTrue)[0] residual T_xx T_yy return torch.mean(residual ** 2)边界损失按四条边分别计算。左边界 ( x0 )温度为1右边界 ( x1 )温度为0上下边界只约束导数 ( \partial T / \partial y 0 )。def boundary_loss(model, num_points500): # 左边界 x0, T1 y_left torch.rand(num_points, 1) x_left torch.zeros_like(y_left) T_left model(x_left, y_left) loss_left torch.mean((T_left - 1.0) ** 2) # 右边界 x1, T0 y_right torch.rand(num_points, 1) x_right torch.ones_like(y_right) T_right model(x_right, y_right) loss_right torch.mean(T_right ** 2) # 上下边界绝热dy方向导数为0 x_bottom torch.rand(num_points, 1) y_bottom torch.zeros_like(x_bottom) x_bottom_grad x_bottom.clone().requires_grad_(True) y_bottom_grad y_bottom.clone().requires_grad_(True) T_bottom model(x_bottom_grad, y_bottom_grad) T_y_bottom torch.autograd.grad(T_bottom, y_bottom_grad, grad_outputstorch.ones_like(T_bottom), create_graphTrue)[0] loss_bottom torch.mean(T_y_bottom ** 2) # 上边界 y1, 同理 x_top torch.rand(num_points, 1) y_top torch.ones_like(x_top) x_top_grad x_top.clone().requires_grad_(True) y_top_grad y_top.clone().requires_grad_(True) T_top model(x_top_grad, y_top_grad) T_y_top torch.autograd.grad(T_top, y_top_grad, grad_outputstorch.ones_like(T_top), create_graphTrue)[0] loss_top torch.mean(T_y_top ** 2) return loss_left loss_right loss_bottom loss_top训练主循环model PINN() optimizer torch.optim.Adam(model.parameters(), lr1e-3) # 分阶段训练权重 lambda_bc 10.0 lambda_pde 1.0 for epoch in range(30000): optimizer.zero_grad() # 每轮重新采样内部点 x_pde torch.rand(5000, 1) y_pde torch.rand(5000, 1) loss_pde pde_loss(model, x_pde, y_pde) loss_bc boundary_loss(model) loss lambda_pde * loss_pde lambda_bc * loss_bc loss.backward() optimizer.step() if epoch % 1000 0: print(fEpoch {epoch}, pde_loss{loss_pde.item():.6f}, bc_loss{loss_bc.item():.6f})训练完之后就可以在平面上生成密集网格点让网络输出温度值拿它和解析解对比。3.3 结果分析网络到底学到了什么我把训练好的模型在100×100的网格上做预测同时计算了解析解 ( T(x, y) 1 - x )。对比结果显示除了左右边界附近有轻微误差外网络输出的温度分布几乎和解析解重合最大绝对误差在0.02左右。这个结果说明什么说明在没有给网络任何内部温度采样数据的情况下仅仅靠一个方程和边界条件的约束网络通过调整权重成功逼近了满足物理规律的温度分布函数。它不是“记住”了某个答案而是学到了一个能够描述整个温度场的连续函数。我还做了一个更复杂的测试把左边界改为正弦分布的温度 ( T 1 0.5\sin(\pi y) )右边界依然是0。这个时候温度场变成了二维的x方向传递y方向有正弦变化。网络依然能收敛但最大误差比简单线性情形大了不少在0.05到0.08之间。提高隐藏层宽度到64后误差降到了0.03左右。这也是一个经验问题越复杂网络容量越快成为瓶颈。4. 常见问题与排查技巧实录4.1 训练不收敛的排查思路PINN训练不收敛是最常见的问题没有之一。我见过的情况大概分四类类别一梯度消失。网络过深、激活函数选错导致loss卡在某个值上不动。解决办法是先检查PDE残差项的数值看看是否持续在10^-3量级以上下不去。如果是优先把网络层数降到3到4层或者换用更宽而不是更深的网络。类别二无量纲化没做好。输入坐标如果是几千的量级网络初始权重下输出很容易爆炸或者饱和。先把所有坐标、温度值都缩放到0到1基本上能解决一大半问题。类别三采样点太少或太偏。内部PDE点如果只有几百个网络很难学到平滑的温度分布。我一般至少用3000到5000个点而且保证域内分布均匀。类别四学习率设置不合理。PINN的损失函数地形比传统神经网络更复杂学习率太大容易震荡太小则收敛极慢。我习惯用1e-3起步训练到loss降不动时降到1e-4再继续训练几千轮。效果比一直用固定学习率好很多。4.2 边界条件与PDE残差的权重怎么调这是PINN里最玄学也最核心的部分。( \lambda_{BC} ) 和 ( \lambda_{PDE} ) 的比例如果失调网络会倾向于只满足其中一项而忽略另一项。我个人的经验是先用较大权重训练边界比如 ( \lambda_{BC} 100, \lambda_{PDE} 1 )。这个阶段网络会先把边界附近的值学对虽然内部温度分布还不正确但至少不会出现严重的边界偏移。跑5000到10000轮后再把边界权重降到10PDE权重提到10让网络把精力转向内部方程约束。最后阶段可以两者都设为1做精细调整。搜热词的时候看到有人问“神经网络中biases是什么”其实在PINN里偏置初始化也有一点讲究。别把偏置初始设得太大我一般用nn.init.zeros_让网络从零偏置开始训练。这样初始输出接近0不会产生大范围非物理波动。4.3 几个亲测有效的实用技巧第一每轮迭代都重新采样。固定采样点会让网络过度拟合这几个点的输出值换一批点继续训练能逼着网络学到更平滑的映射。第二用小批量训练时PDE点和边界点的batch大小最好保持一致的比例比如51。边界点数量太少的话边界约束会被稀释。第三训练结束后做一个可视化对比。把网络预测结果和解析解或传统数值解画在同一张图上直接用肉眼看趋势。很多问题在数值上看着loss很低但画出来就能发现边界附近有振荡。这个肉眼检查步骤非常值得做别嫌麻烦。第四如果你跑的是瞬态问题比如一维传热方程 ( \partial T / \partial t \alpha \partial^2 T / \partial x^2 )记得把时间和空间坐标一起作为网络输入。网上搜“一维卷积神经网络结构图”或者“图神经网络实战”那些内容和PINN不是一回事别混。PINN用的是全连接网络不是卷积网络除非你要处理高维图像类的输入。5. 这个方案的局限与下一步扩展空间PINN当然不是万能的。我测试的这个简单场景之所以能收敛很大原因是二维稳态热传导方程本身比较简单函数空间相对平滑。换成强非线性、高雷诺数流体问题或者带激波的问题PINN的训练难度会急剧上升收敛性和精度都会遇到瓶颈。但这不妨碍它成为一种有吸引力的替代方案。对于传统网格法需要大量网格生成、求解器定制、边界条件处理的场景PINN只需要方程表达式和边界描述就能以无网格方式逼近解。如果你需要在试验数据极其有限的情况下做实时温度场预测或者要从部分观测数据反推热导率等参数这就是所谓“反问题”PINN的思路会更有优势。下一步想玩得更深的话可以考虑三个方向一是把方程换成非稳态加上时间项让网络输入变成三维 ( (x, y, t) )这样能算出温度随时间的演化过程。二是把边界条件改成对流传热边界也就是Robin条件这时损失函数需要额外计算热流项。三是把网络输出从单温度扩展成多通道输出比如同时输出温度、热流密度、材料参数场这在多物理场耦合问题里非常实用。这些扩展不需要改变核心框架只需要调整方程残差项和边界损失的形式网络结构基本不用动。这也是PINN最吸引人的地方代码骨架一次写好换方程只是改几行损失函数的事。回头再看最开始那个问题“只给神经网络一个方程它真的能算出温度场吗”我的答案是能但前提是你把方程、边界条件和训练策略都安排明白了。特别是在损失函数的设计和权重平衡上很多细节只有自己动手跑过一遍才能体会。希望这篇复盘能帮你少走点弯路也让你更清楚PINN到底适合解决哪些问题。本文还有配套的精品资源点击获取