简介面向电阻抗断层扫描成像中物理信息神经网络训练收敛慢、先验设计不足等问题这份资源提供基于能量先验的改进方案工程采用Python与MATLAB结合实现覆盖数据集构造、电极边界数据提取、正问题有限元求解、逆问题重建以及EBM先验学习与EIT分类等完整环节适合从事医学图像反问题、PINN改进研究或相关课程设计的学生和工程师复用。压缩包共35个文件含17个m脚本、13个py代码以及css、png、md、js、html等各类文件整体141KB其中m脚本主要用于网格生成、边界数据准备与正演模拟py代码实现UNet去噪、能量先验得分匹配、分类器训练与推理另外还提供说明文档和可视化页面便于快速理解代码结构。已有168人浏览学习可作为复现论文或设计对比实验的参考。读者能获得完整可运行的源码、数据生成与预处理脚本、基于能量先验的改进训练流程以及heartNlungs、anomaly_gen等典型模拟案例的输出图表。此外资源按数据制备、正反演求解和能量先验模块进行划分便于针对特定步骤调整模型或目标函数从而缩短开发周期、降低复现成本。1. 用能量先验把PINN从“训不动”拉回正轨电阻抗断层扫描里的一次自救我第一次在电阻抗断层扫描Electrical Impedance TomographyEIT里正经使用物理信息神经网络做正问题代理时训练的观感非常迷惑边界电压的拟合 loss 一路下行重建出的电导率分布却完全不是那回事内部电场一团乱麻。后来把“先验”从硬约束改成基于能量的软约束——把 TV、Huber 这类先验写成能量泛函直接加进 loss训练才真正稳了下来。这篇笔记就把这条路径完整拆开EIT 正问题为什么难训、能量先验为什么能兜底、以及一套可以直接照着跑的 python 源码方案含合成数据生成、参数设置和四个我踩过的坑。适合正在做 EIT 重建算法、或者准备把 PINN 用到非均匀介质场问题上的从业者新手能跟着复现熟手可以只看第 4、5 章的参数与坑。2. 电阻抗断层扫描为什么总让 PINN 翻车正问题建模与训练失衡的根源2.1 从电导率分布到边界电压EIT 正问题到底在解什么方程EIT 的思路是在物体表面贴一圈电极依次注入安全电流测边界电压然后反推内部电导率分布。比如肺部通气时电阻率变化、工业管道里两相流分布、岩土含水量探测都是它的典型场景。正问题描述的是“已知电导率求边界电压”这一步物理上由一个椭圆型偏微分方程控制∇ · (σ(x, y) · ∇u(x, y)) 0 (在成像域 Ω 内)其中 u 是电势σ 是电导率分布。边界上还要配完整电极模型Complete Electrode ModelCEM非电极边界绝缘电极与皮肤之间有接触阻抗注入电流密度已知。由于 σ 在异常体边界处往往有跳变u 的梯度在那附近很陡这让数值求解比均匀介质里的拉普拉斯方程麻烦一截。传统做法是有限元每改一次 σ 就重剖一次网格、重解一次线性方程组逆问题迭代几十轮下来计算量相当可观。PINN 在这里的定位通常有两种一是直接当正问题求解器给定 σ 求 u二是当逆问题里的快速代理模型省掉反复有限元正算。我没有用现成工具箱而是用 torch.autograd 把 ∇·(σ∇u) 展开成对坐标的二阶偏导把所有物理约束都写进 loss。这样省了网格重剖但代价是训练敏感σ 跳变处自动微分会被梯度噪声带着走这就是 EIT 里 PINN 容易翻车的物理根源。2.2 PINN 的损失结构PDE 残差、电极边界条件、数据项三者的权重博弈训练 PINN 时loss 通常长这样L w_pde · L_pde(∇·(σ∇u) 内部采样点) w_bc · L_bc(电极/绝缘边界条件) w_data · L_data(边界电压观测 vs 网络输出)我最初只写了前两项结果训练完全在赌运气。EIT 的特殊性在于边界电极上的电压动态范围很大靠电极近的地方电势变化剧烈远一点就平缓而 PDE 残差在内部每一点都是稠密的。如果 w_pde 和 w_bc 不匹配网络会优先去拟合梯度大的区域内部电场则被“放弃”出现第 5 章要讲的负面现象。这个现象不止出现在 EIT但 EIT 因为 σ 不连续、边界电极强约束表现得格外突出。一个常被忽略的事实是PINN 的物理 loss 本质上是把偏微分方程在有限个采样点上的残差压到零这等价于在无限维函数空间里做弱形式约束。采样点密度不够或损失项之间量纲差太多训练就会在“满足边界、丢掉内部”和“满足内部、边界穿透”之间左右摇摆。所以做 EIT 的 PINN 项目第一步不是调网络结构而是先把各 loss 项的尺度统计出来——在预训练阶段各跑 50 轮打印每一项的量级再决定 w_pde、w_bc、w_data 的初始比例。2.3 能量先验的定位把先验写成能量而不是硬约束传统正则化在 EIT 里很常见比如对 σ 加全变分TV项抑制噪声产生的伪影。把它改成“基于能量的先验”是指在损失里显式放入一个能量泛函 E(σ)并从 Gibbs 分布的角度理解先验分布 p(σ) ∝ exp(-β · E(σ))训练时把 β·E(σ) 当作额外的损失项而不是强行把 σ 限制在某个等式约束里。这样做的好处是软约束可以调强度β 大则更相信先验、平滑度更高β 小则更相信观测数据、能保留细节。实际操作上我常用 TV 能量、Huber 能量或者一个简单的梯度幅值惩罚甚至可以用一个预训练好的判别器能量函数——但那个调试成本高只有数据量大的时候才值得。为什么不用硬约束因为 EIT 的逆问题本身病态硬约束会把搜索空间卡死在一个特殊子集里一旦观测数据与先验冲突训练直接不收敛。软能量项给网络留了一条退路数据项权重足够大时它可以把能量项“顶开”。这个特性在噪声大的工业环境里尤其重要——你不想让先验把真实的异常体给平滑掉。第 4 章我会专门讲 β代码里写成 lambda_E这个权重的设置经验。3. 搭建可复现的最小实现从 EIT 正问题仿真到能量先验 PINN 训练下面这套代码我按“源码 注释”的方式组织成三个脚本放在同一目录。先给目录结构再逐个拆开。环境依赖只需要 numpy、scipy 和 PyTorch在 vscode 里配好 python 环境后直接跑。eit_pinn/ ├── synth_data.py # 用有限差分生成边界电压合成数据 ├── energy_prior.py # TV / Huber 能量先验模块 └── train_pinn.py # PINN 训练主程序能量项直接进 loss3.1 合成 EIT 数据16 电极、相邻激励的边界电压仿真网上很多 EIT 数据集要么格式不透明要么电极模型和你的实验台对不上。我一般自己合成。这里做一个二维圆域背景电导率 1.0内部放两个圆形异常体一个高电导率1.8一个低电导率0.416 个电极均匀贴在圆边界上采用相邻激励法。先用有限差分解正问题存边界电压作为观测数据。synth_data.py教学版 EIT 正问题模拟器。 用矩形网格 圆掩膜逼近圆域电极处用点电流源近似。 import numpy as np import scipy.sparse as sp import scipy.sparse.linalg as spla def sigma_field(N, sigma_bg1.0, blobsNone): 生成圆域内的电导率分布blobs[(xc, yc, r, sigma), ...] x np.linspace(-1, 1, N) X, Y np.meshgrid(x, x) mask (X**2 Y**2) 1.0 # 圆域掩膜 sigma np.full((N, N), sigma_bg) for (xc, yc, r, sig) in blobs: sigma (sig - sigma_bg) * np.exp(-((X-xc)**2 (Y-yc)**2) / (2*r*r)) return sigma * mask def solve_eit(sigma, n_elec16, inject1.0): 有限差分求解 ∇·(σ∇u)0返回所有激励模式下的电极电压矩阵。 电极 m 和 m1 为一对注入电极电压取电极处的 u 减去参考电极的值。 N sigma.shape[0] h 2.0 / (N - 1) n N * N rows, cols, vals [], [], [] b np.zeros(n) def idx(i, j): return i * N j # 内部点五点差分展开 ∇·(σ∇u) for i in range(1, N-1): for j in range(1, N-1): if sigma[i, j] 0: continue sig_e 0.5 * (sigma[i, j] sigma[i, j1]) # 东边界面电导率 sig_w 0.5 * (sigma[i, j] sigma[i, j-1]) sig_n 0.5 * (sigma[i, j] sigma[i-1, j]) sig_s 0.5 * (sigma[i, j] sigma[i1, j]) k idx(i, j) rows [k, k, k, k, k] cols [k, idx(i, j1), idx(i, j-1), idx(i-1, j), idx(i1, j)] vals [sig_e sig_w sig_n sig_s, -sig_e, -sig_w, -sig_n, -sig_s] # 电极位置角度均匀分布点在边界上 theta np.linspace(0, 2*np.pi, n_elec, endpointFalse) temperatures [] for m in range(n_elec): # 相邻激励电流从电极 m 流入从 m1 流出 im theta[m] ip theta[(m1) % n_elec] i, j int(round((np.cos(im)*0.95 1)/2*(N-1))), int(round((np.sin(im)*0.95 1)/2*(N-1))) i2, j2 int(round((np.cos(ip)*0.95 1)/2*(N-1))), int(round((np.sin(ip)*0.95 1)/2*(N-1))) b[idx(i, j)] inject b[idx(i2, j2)] - inject # 解方程 A sp.csr_matrix((vals, (rows, cols)), shape(n, n)) u spla.spsolve(A, b).reshape(N, N) # 取各电极处的电压用参考电极 0 做差分 v [] for k in range(n_elec): ek, ek2 int(round((np.cos(theta[k])*0.951)/2*(N-1))), int(round((np.sin(theta[k])*0.951)/2*(N-1))) v.append(u[ek, ek2] - u[0, 0]) temperatures.append(v) b[:] 0 return np.array(temperatures) if __name__ __main__: blobs [(0.5, 0.1, 0.25, 1.8), (-0.4, -0.3, 0.2, 0.4)] sigma sigma_field(64, blobsblobs) V solve_eit(sigma) np.save(eit_sigma.npy, sigma) np.save(eit_voltage.npy, V) print(合成数据已保存电导率场 64x64电压矩阵, V.shape)逻辑说明sigma_field用高斯圆斑近似圆形异常体避免严格阶跃给自动微分带来额外压力solve_eit用五点差分把 ∇·(σ∇u)0 离散成稀疏线性方程组再对每对相邻电极注入电流、解一次方程。电极电压取电极所在格点电势相对参考电极的差值这和真实 EIT 仪器的差分测量方式一致。参数说明网格 N64在精度与速度之间比较平衡低于 48 时电极位置定位误差偏大高于 128 时合成数据本身就够训练 PINN 了没必要。inject1.0是注入电流的归一化值实际实验中换成你的电流值乘以一个标度即可。注意这是教学版模拟器电极用点电流源近似定量研究建议换完整电极模型或有限元。3.2 能量先验模块TV 能量与 Huber 能量的 PyTorch 实现这个模块接收一个电导率场张量 σ输出一个标量能量值。核心点是支持自动微分让能量项能回传到 PINN 的参数上。energy_prior.py基于能量的先验模块输出标量能量值。 import torch import torch.nn as nn class EnergyPrior(nn.Module): def __init__(self, modehuber, eps0.05): super().__init__() self.mode mode self.eps eps # Huber 能量里的阈值小于该值视为平滑区 def forward(self, sigma): # sigma: (B, 1, N, N)B 是批次N 是网格尺寸 dy sigma[:, :, 1:, :] - sigma[:, :, :-1, :] dx sigma[:, :, :, 1:] - sigma[:, :, :, :-1] grad_mag torch.sqrt(dx**2 dy**2 1e-8) if self.mode tv: # 全变分能量对梯度幅值取 L1允许少量大跳跃 energy torch.mean(grad_mag) elif self.mode huber: # Huber 能量小梯度按 L2 平滑大梯度按 L1 保护边缘 energy torch.mean(torch.where( grad_mag self.eps, 0.5 * grad_mag**2 / self.eps, grad_mag - 0.5 * self.eps )) else: raise ValueError(mode must be tv or huber) return energy逻辑说明输出期望是电导率场时能量项直接作用在输出张量上输出是低维参数比如圆心、半径、电导率值时需要先把参数重建成 N×N 的场再调用这个模块。forward 里算的是相邻像素的梯度幅值TV 对梯度幅值取平均Huber 则在小梯度区域用二次函数、大梯度区域用一次函数比纯 TV 更容易保住异常体的边缘。参数说明eps是 Huber 阈值的核心参数量级参考电导率变化的幅度。如果 σ 异常体与背景差 0.8 左右eps0.05意味着只有变化小于 0.05 的区域才被当作平滑区做二次惩罚想要更强的细节保持可以把 eps 降到 0.02想要更平滑就升到 0.1。我一般在一开始把 eps 固定在 0.05等主loss收敛后再调。3.3 组装训练循环PDE 残差、边界损失、能量项一起进 loss这是整套代码的核心。PINN 输入坐标 (x, y) 和电导率参数输出电势 u然后用自动微分计算 PDE 残差能量项直接参加反传。train_pinn.py训练 PINNPDE 残差 边界损失 能量先验联合优化。 import torch import torch.nn as nn import numpy as np class EITPINN(nn.Module): def __init__(self, n_sigma_params5, hidden256, layers6): super().__init__() dims [2 n_sigma_params] [hidden] * layers [1] net [] for d_in, d_out in zip(dims[:-1], dims[1:]): net.append(nn.Linear(d_in, d_out)) net.append(nn.Tanh()) self.net nn.Sequential(*net) def forward(self, x, y, s): return self.net(torch.cat([x, y, s], dim1)) def sigma_from_params(x, y, s): s [xc1, yc1, r1, sig1, sig_bg]返回该点的电导率值。 xc, yc, r, sig, bg s[:, 0:1], s[:, 1:2], s[:, 2:3], s[:, 3:4], s[:, 4:5] return bg (sig - bg) * torch.exp(-((x - xc)**2 (y - yc)**2) / (2 * r**2)) def pde_residual(model, x, y, s): 计算 ∇·(σ∇u) 0 的残差。 x x.clone().requires_grad_(True) y y.clone().requires_grad_(True) u model(x, y, s) u_x torch.autograd.grad(u, x, grad_outputstorch.ones_like(u), create_graphTrue)[0] u_y torch.autograd.grad(u, y, grad_outputstorch.ones_like(u), create_graphTrue)[0] sigma sigma_from_params(x, y, s) # σ_x·u_x σ·u_xx σ_y·u_y σ·u_yy sig_x torch.autograd.grad(sigma, x, grad_outputstorch.ones_like(sigma), create_graphTrue)[0] sig_y torch.autograd.grad(sigma, y, grad_outputstorch.ones_like(sigma), create_graphTrue)[0] u_xx torch.autograd.grad(u_x, x, grad_outputstorch.ones_like(u_x), create_graphTrue)[0] u_yy torch.autograd.grad(u_y, y, grad_outputstorch.ones_like(u_y), create_graphTrue)[0] return sig_x * u_x sigma * u_xx sig_y * u_y sigma * u_yy # 训练参数 N_in 4096 # 内部采样点数 N_bc 512 # 边界采样点数 lambda_e 0.05 # 能量项权重第 4 章细讲 lr 1e-3 epochs 3000 model EITPINN(n_sigma_params5) optimizer torch.optim.Adam(model.parameters(), lrlr) prior EnergyPrior(modehuber, eps0.05) for ep in range(epochs): # 采样内部点均匀分布边界点取圆边界上的点 theta torch.rand(N_bc) * 2 * np.pi x_bc torch.cos(theta).view(-1, 1) y_bc torch.sin(theta).view(-1, 1) x_in (torch.rand(N_in, 1) * 2 - 1) y_in (torch.rand(N_in, 1) * 2 - 1) # 当前训练样本对应的电导率参数一个 blob s torch.tensor([[0.5, 0.1, 0.25, 1.8, 1.0]]).repeat(N_in, 1) s_bc s[:N_bc] # PDE 残差 res pde_residual(model, x_in, y_in, s) loss_pde torch.mean(res**2) # 边界条件真实边界电压来自合成数据这里用模型在电极点上的值拟合 u_bc model(x_bc, y_bc, s_bc) loss_bc torch.mean((u_bc - 1.0 * torch.cos(theta).view(-1, 1))**2) # 示例边界分布 # 能量先验项作用于重建出的 σ 场此处用输入参数重建一个 32x32 场 grid torch.linspace(-1, 1, 32) gx, gy torch.meshgrid(grid, grid, indexingxy) gx gx.view(-1, 1); gy gy.view(-1, 1) s_grid torch.tensor([[0.5, 0.1, 0.25, 1.8, 1.0]]).repeat(32*32, 1) sigma_grid sigma_from_params(gx, gy, s_grid).view(1, 1, 32, 32) loss_energy prior(sigma_grid) # 联合 loss loss loss_pde 0.5 * loss_bc lambda_e * loss_energy optimizer.zero_grad() loss.backward() optimizer.step() if ep % 500 0: print(fep {ep}: pde{loss_pde.item():.2e} bc{loss_bc.item():.2e} fenergy{loss_energy.item():.4f} total{loss.item():.2e})代码逻辑说明三点第一pde_residual用二阶自动微分展开 ∇·(σ∇u)σ 本身也是坐标的函数所以要对 σ 再求一次梯度第二能量项这一步我用输入参数在 32×32 网格上重建出 σ 场再算 Huber 能量而不是直接在输出 u 上加能量原因是 EIT 里需要先验的对象是电导率不是电势第三联合 loss 里没有写成三个独立权重相加而是 pde 权重固定为 1bc 给 0.5能量项给lambda_e这样调参时只看一个数心理负担小很多。参数说明N_in4096是内部点数量这个数量下 PDE 残差基本能稳定小于 2048 时训练后期容易在圆域中心留下“空洞”N_bc512对应 16 电极的加密采样电极附近也会被采到lambda_e0.05是我在背景电导率 1.0、异常体 0.4~1.8 的场景下的常用起点绝大多数情况下不需要超过 0.2。学习率 1e-3 配 Adam 能撑到 3000 轮超过 3000 轮后建议降到 1e-4 再续训。4. 参数与训练策略的取舍能量先验的权重、学习率与损失分配4.1 能量项权重 lambda_E 怎么设从 0.01 到 0.1 的试错区间我见过很多人把能量项权重随便填一个 1.0结果电导率场被推成“平板”异常体直接消失。lambda_E 的量级要看它和 loss_pde 的比值而不是拍脑袋。一个可靠的做法是先关掉能量项训练 200 轮打出 loss_pde 的量级再按 loss_pde 的 1% 到 10% 去初设 lambda_E。比如 loss_pde 稳定在 1e-3那 lambda_E 就从 1e-5 起步试。实际项目里我给出的经验区间是 0.01 到 0.1对应背景与异常体电导率差 0.5~1.0 的场景。参数推荐值说明lambda_E0.01~0.10.05 起步噪声大时上调细节丢失时下调eps (Huber)0.02~0.1小于电导率变化幅度的 1/10lr1e-3→1e-4前 3000 轮 1e-3之后降 1e-4 续训N_in2048~8192跟网络宽度走256 宽用 4096N_bc256~1024电极数 16 时 512 够用损失权重pde1, bc0.5, elambda_E先固定 pde 权重只调 lambda_E这个表是我多次“翻车”后沉淀出来的起始模板。真正要落地到实验台数据时重点看两个现象如果重建出的 σ 边缘模糊说明 lambda_E 偏大或者 eps 偏大降一档再训如果重建噪声纹路特别明显说明 lambda_E 偏小先直接翻倍试一轮。一张 64×64 的场调参跑一次只要几分钟完全可以多试几组。4.2 采样点比例与随机种子内部点、电极点、边界点的配比PINN 的成功一半在采样。EIT 的边界电极反应剧烈电极附近要加密但也不能因此压缩内部点的数量否则 PDE 残差约束不住全场。我一般用 4096 内部点 512 边界点 16 个电极精确点比例大致是 8:1:0.03。边界点均匀分布在圆边界上但电极所在角度附近要加一点局部抖动防止网络“死记”电角度位置。随机种子这件事不是玄学是踩坑踩出来的。EIT 的圆域有旋转对称性如果每次采样都用固定网格对齐网络很容易学出一个带方向偏置的解。我在代码里故意让内部点每轮重新随机采样边界点也做角度抖动只有电极点用固定坐标。固定随机种子只用于复现实验调参阶段不要固定种子否则你调的参数可能是为某个特定采样序列“量身定做”的换一批点就失效。4.3 学习率调度与 loss 权重自适应先让 PDE 平衡再引入先验一个我强烈推荐的做法分两阶段训练。第一阶段前 200 轮把 lambda_E 设成 0只跑 pde 和边界损失让网络先把物理约束学到一个“能看”的程度第二阶段再把能量项接进来。直接上来就带能量项网络会把能量损失和物理损失混在一起很难判断是哪个约束没学到位。我在代码里用一个简单的判断当 loss_pde 降到初始值的 1/10 时再把 lambda_E 从 0 线性升到目标值持续 500 轮。学习率调度上Adam 固定 lr 能跑通基础版本但我在 3000 轮后一定会降 lr。EIT 逆问题目标是重建电导率前期大步子搜索 σ 的大致位置后期小步长刻画边界和细节这个节奏和图像重建的多尺度思路一致。如果训练 loss 呈锯齿状往往不是 lr 的问题而是边界点和内部点的比例失衡回去看 4.2 的表。5. 训练与重建中的 4 个常见坑现象、原因与解决办法5.1 边界电压收敛正常内部电场却一塌糊涂现象训练曲线很漂亮边界电压 loss 降到了 1e-4但把重建出的 σ 代入正问题验证内部电场分布和有限元结果对不上中心区域尤其离谱。原因边界点的梯度信号强、内部点弱网络学会了“应付边界”的解。EIT 的边界电压是内部场的积分响应多个不同的内部 σ 可能产生几乎相同的边界电压这是病态性的体现。当网络参数容量有限时它自然会优先拟合信号强的边界放弃内部。解决先把内部采样点加密到 8192同时把边界损失权重从 1.0 降到 0.3观察内部点 PDE 残差的空间分布。如果残差集中在圆域中心说明采样不够如果分散但数值大说明网络容量不够需要加宽隐藏层。这是我在 EIT-PINN 上最早遇到、也最容易误判为“先验没用”的坑。5.2 能量先验把电导率推成“平板”异常体直接消失现象加上能量项后σ 重建结果非常平滑但原本应该在的高电导率圆形区域不见了背景值整体被拉向异常体的中间值。原因lambda_E 设得太大能量项的能量值下降方向就是“把全场拉平”。Huber 虽然比纯 TV 温和但当 lambda_E 超过 loss_pde 的 10 倍时它一样会把边缘抹掉。另一个常见原因是能量项作用错了对象——应该作用于 σ而不是作用于 u 的梯度。作用于 u 会把电势场抹平滑结果边界电压是平了但电导率重建彻底失效。解决把 lambda_E 从当前值除以 10重新训练 500 轮对比。如果异常体回来了但噪声变多再微调 eps。调参时只看一个指标异常体边界处 σ 的梯度幅值是否还保持在前 5% 的分位。任何一个先验项如果让物理量本身的梯度分布被压扁那它就不是先验是“后患”。5.3 loss 曲线下降重建误差反而变大现象训练 loss包含能量项一路上涨后回落最终值比基线更低但这里重建误差不降反升。这是最典型的“黑匣子”翻车现场。原因能量项和 PDE 残差在同一个梯度方向上“联手”了。比如 Huber 能量在小梯度区域是二次的它会给 σ 一个指向平滑区的力如果 PDE 残差在那个区域的梯度方向恰好也把 σ 往平滑区推两个梯度叠加loss 降得更快但物理上把真实异常体也平滑掉了。能量项用错了场景时它可以和主损失“共谋”让你看到 loss 好看但结果变差的局面。解决我一般每个 500 轮做一次“消融验证”把 lambda_E 临时设 0重新算一遍验证集上的重建误差。如果去掉能量项误差反而变小说明能量项当前的方向是错的。然后查看有效 σ 重建图上能量项作用的区域——通常问题出在边界附近的小伪影而不是内部大块区域。5.4 换一组电导率分布就要重新调参现象在合成的两圆形异常体数据上训练得很好换成三个异常体或者电导率对比度更高的场景同一套参数效果明显变差甚至出现不收敛。原因我的合成数据里电导率参数是低维的圆心、半径、电导率值能量项对这种参数化的先验作用很间接换了分布等价于换了一个优化问题。另外Huber 的 eps 是绝对值换场景后 σ 的幅值变了eps 不再匹配。解决把训练数据里的 σ 参数做随机化每轮从合理区间里随机采样圆心、半径和电导率值而不是固定一个实例。这样训练出的 PINN 和能量项权重都对“分布”而不是对“这一个样本”敏感。这是我从传统 EIT 重建里借来的思路——正则化参数应该基于噪声水平而不是基于某个特定图像。泛化性问题的本质是你把先验押在了哪押在像素级 σ 上就换场景失效押在“σ 的梯度统计量”上才能跨场景迁移。6. 进阶验证技巧怎么确认能量先验真的在工作6.1 消融对比把能量项从 loss 里摘掉看哪一步先崩最朴素的验证方式就是消融训练两个模型一个有能量项、一个没有其他完全一致然后对比三个时间点的行为——200 轮时 loss_pde 的下降速度、1000 轮时边界电压拟合的稳定性、最终重建的误差分布。我观察到的规律是没有能量项的模型在 200 轮时 loss_pde 往往更低因为能量项在早期是个“阻力”但到 1000 轮后有能量项的模型边界电压拟合更平滑重建误差的方差更小。如果你发现加能量项后所有指标都变差那就要怀疑是不是角度实现错了——比如把能量加到了 u 上面。6.2 扰动一致性检验验证先验和物理量是否同向这个技巧是在调试最迷茫时救了我的一个习惯对 σ 加一个微小扰动看边界电压的变化方向是否和物理直觉一致。EIT 里某个区域电导率升高经过该区域的电流路径电阻下降边界电压应有对应的可预期变化。如果能量先验在训练中把 σ 推向的方向与此相反那它一定在帮倒忙。def check_prior_direction(model, s, eps1e-3): 给 σ 参数加小扰动比较 PINN 输出电压变化与能量变化的符号。 s_pos s.clone(); s_pos[:, 3] eps # 电导率值加扰动 s_neg s.clone(); s_neg[:, 3] - eps # 计算边界电压均值对参数的敏感度简化取一个边界点的输出 u_pos model(torch.tensor([[1.0, 0.0]]), s_pos) u_neg model(torch.tensor([[1.0, 0.0]]), s_neg) du (u_pos - u_neg).item() # 能量值变化 e_pos prior(sigma_from_params(torch.tensor([[1.0]]), s_pos)) e_neg prior(sigma_from_params(torch.tensor([[1.0]]), s_neg)) de (e_pos - e_neg).item() print(fdu{du:.4f}, de{de:.4f}, 同向{du * de 0})这个片段不是完整验证但它给了你一个快速体检手段如果du * de 0说明能量先验在这个点上与观测数据对抗权重必须调低。把它跑在边界附近的几十个点上就能画出能量项在整个域内的“对抗热区”再决定是调 lambda_E 还是换一种能量形式。它帮我提前发现了异常体边界处能量方向与物理不一致的问题省下了大量盲目调参的时间。我现在已经养成了把能量项数值随训练日志一起打印的习惯每次调参都先看它的变化曲线是不是单调平滑下降如果出现剧烈跳变先查采样点分布再查梯度最后才怀疑能量函数本身。这是踩了无数坑之后沉淀下来的检查顺序。EIT 加 PINN 这条路不容易但把先验变成能量项之后你至少能看见它在干什么了。希望这些思路和代码对你正在做的重建项目有用祝你在自己的数据集上少走几个弯路。本文还有配套的精品资源点击获取