harmonic-oscillator-pinn实战教程：如何用PyTorch自动微分求解微分方程的一阶与二阶导数？

harmonic-oscillator-pinn实战教程：如何用PyTorch自动微分求解微分方程的一阶与二阶导数？

【免费下载链接】harmonic-oscillator-pinnCode accompanying my blog post: So, what is a physics-informed neural network?项目地址: https://gitcode.com/gh_mirrors/ha/harmonic-oscillator-pinn

harmonic-oscillator-pinn 是一个基于 PyTorch 的物理信息神经网络（PINN）开源实战项目。它围绕一维阻尼谐波振荡器微分方程，手把手演示了如何利用 PyTorch 自动微分求解网络输出的一阶导数与二阶导数，并把微分方程残差作为"物理损失"融入训练，让神经网络学会完整解。🚀 本文将从零讲清 PINN 的核心原理与关键代码，非常适合刚接触"用深度学习求解微分方程"的初学者。

什么是物理信息神经网络（PINN）？

先看一个直观比喻：传统神经网络像"背书"，只会记住训练数据附近的答案；而物理信息神经网络（PINN）像"学会了物理定律"，即使没见过某段数据，也能根据方程外推出正确答案。

本项目要求解的是物理中非常经典的一维阻尼谐波振荡器方程：

m·d²x/dt² + μ·dx/dt + kx = 0

这是一条随时间衰减的正弦曲线，项目中取 δ=2、ω₀=20 生成精确解，并把求解域设定为 x∈[0,1]。

上图是 PINN 的训练过程动画：绿色点代表"物理损失采样位置"，神经网络（蓝色曲线）在这些位置被强制满足微分方程。因此，即使训练数据（橙色点）只有左侧一小段，蓝色预测曲线最终也能与灰色精确解高度重合。

普通神经网络与PINN对比：为什么需要物理约束？

先看普通神经网络的表现，它的训练代码在项目核心文件 Harmonic oscillator PINN.ipynb 中：

普通神经网络只用均方误差（MSE）拟合 10 个橙色训练点，训练到第 1000 步时，蓝色预测曲线依然只能在数据附近"正确"，远离数据的区域完全跑偏。这就是"纯数据驱动"的局限——数据稀疏时，模型没有能力推理出物理规律。

而 PINN 在数据损失之外额外引入"物理损失"，本质是把微分方程本身变成监督信号，让网络在没有数据的位置也遵守物理定律。✨ 两张动图对比，物理约束的价值一目了然。

快速上手：conda 一键搭建 PINN 运行环境

想复现项目非常简单，先获取仓库：

git clone https://gitcode.com/gh_mirrors/ha/harmonic-oscillator-pinn

环境搭建只需四行命令：

conda create -n pinn python=3 conda activate pinn conda install jupyter numpy matplotlib conda install pytorch torchvision torchaudio -c pytorch

装好后启动 Jupyter，打开Harmonic oscillator PINN.ipynb，按顺序运行所有单元格，即可复现文中全部动图与训练结果。

PyTorch自动微分实战：求解一阶导数与二阶导数的核心代码

这是本文的重点。PINN 之所以能"检查"神经网络是否满足微分方程，全靠 PyTorch 自动微分（autograd）。微分方程里出现了 d²x/dt² 和 dx/dt，分别对应神经网络输出的二阶导数与一阶导数，求解只需两个torch.autograd.grad调用：

x_physics = torch.linspace(0,1,30).view(-1,1).requires_grad_(True) yhp = model(x_physics) dx = torch.autograd.grad(yhp, x_physics, torch.ones_like(yhp), create_graph=True)[0] # 一阶导数 dy/dx dx2 = torch.autograd.grad(dx, x_physics, torch.ones_like(dx), create_graph=True)[0] # 二阶导数 d²y/dx²

三个要点帮你彻底理解这段 PyTorch 自动微分代码：

1. requires_grad_(True)：让输入张量 x_physics 进入计算图，这是求导的前提；
2. grad 的返回值：torch.autograd.grad返回梯度元组，[0]取出第一个元素，即我们需要的导数；
3. create_graph=True（最关键）：表示"为这次求导过程再建一张计算图"，这样一阶导数 dx 仍保留在计算图中，二阶导数 dx2 才能继续对 dx 求导，实现"导数套导数"。如果去掉它，dx 会与计算图断开，二阶导数将无法计算。

30 个物理采样点均匀分布在求解域 [0,1] 上，正好覆盖数据缺失的右半段区域。💡

PINN损失函数设计：把微分方程写进训练目标

有了导数，就可以计算微分方程残差（residual），并把它变成损失：

physics = dx2 + mu*dx + k*yhp # 微分方程残差，理想情况下应为 0 loss2 = (1e-4)*torch.mean(physics**2) # 物理损失 loss = loss1 + loss2 # 数据损失 + 物理损失

• loss1（数据损失）：均方误差，约束网络在 10 个观测点附近与真实解一致；
• loss2（物理损失）：让网络在 30 个物理采样点上满足 m·d²x/dt² + μ·dx/dt + kx = 0，系数 1e-4 用于平衡两类损失的尺度。

反向传播时loss.backward()会把两类误差信号同时传回网络，训练 20000 步后，PINN 就"外推"出了完整的衰减振荡解——这正是物理信息神经网络最迷人的地方：用物理定律弥补数据的不足。🎯

实战总结与进阶建议

总结：harmonic-oscillator-pinn 用最简代码展示了 PINN 的核心链路——PyTorch自动微分求一阶导数与二阶导数 → 计算微分方程残差 → 物理损失与数据损失联合训练。掌握了torch.autograd.grad与create_graph=True的用法，你就能把整套方法迁移到更复杂的偏微分方程（PDE）求解场景。

想深入理解原理，强烈建议亲自跑一遍 Harmonic oscillator PINN.ipynb，把 δ、ω₀、采样点数、损失权重等参数改一改，观察训练动画的变化。动手调参，是理解物理信息神经网络最快的方式。🎓

【免费下载链接】harmonic-oscillator-pinnCode accompanying my blog post: So, what is a physics-informed neural network?项目地址: https://gitcode.com/gh_mirrors/ha/harmonic-oscillator-pinn