当前位置：首页 > news >正文

PINN实战：从零构建一个偏微分方程求解器

news 2026/4/18 17:35:37

1. 什么是PINN？

物理信息神经网络（Physics-Informed Neural Networks, PINN）是近年来兴起的一种结合深度学习和物理规律的新型计算方法。简单来说，它就像是一个既懂数学又懂物理的"学霸"，能够通过学习数据背后的物理规律来解决问题。

我第一次接触PINN是在研究流体力学问题时。传统数值方法如有限元需要复杂的网格划分，而PINN只需要定义好方程和边界条件，剩下的交给神经网络去学习。比如要预测天气，PINN不仅看历史数据，还会主动"理解"大气运动方程，预测结果更符合物理规律。

2. 环境准备

2.1 硬件与软件配置

建议使用配备NVIDIA显卡的电脑，因为PyTorch可以利用CUDA加速计算。我的测试环境是：

GPU: RTX 3060 (6GB显存)
Python 3.8
PyTorch 1.12
Matplotlib 3.5

安装依赖很简单：

pip install torch matplotlib numpy

2.2 数据准备

我们以Burgers方程为例，这是流体力学中的经典方程：

u_t + u*u_x = ν*u_xx

其中ν=0.01/π，定义域x∈[-1,1]，t∈[0,1]。初始条件u(0,x)=-sin(πx)，边界条件u(t,-1)=u(t,1)=0。

3. 模型搭建

3.1 网络结构设计

经过多次实验，我发现这种结构效果最好：

class BurgersNN(nn.Module): def __init__(self, hidden_size=30): super().__init__() self.fc1 = nn.Linear(2, hidden_size) # 输入(t,x) self.fc2 = nn.Linear(hidden_size, hidden_size//2) self.fc3 = nn.Linear(hidden_size//2, hidden_size//2) self.out = nn.Linear(hidden_size//2, 1) # 输出u(t,x) def forward(self, x): x = torch.tanh(self.fc1(x)) x = torch.tanh(self.fc2(x)) x = torch.tanh(self.fc3(x)) return self.out(x)

关键点：

使用tanh激活函数避免梯度消失
逐步缩减网络宽度节省计算资源
输入是(t,x)坐标，输出是对应的u值

3.2 损失函数设计

这是PINN的核心创新点：

def pde_loss(net, points): points.requires_grad = True u = net(points) # 计算一阶导数 grad_u = torch.autograd.grad(u.sum(), points, create_graph=True)[0] u_t = grad_u[:,0] u_x = grad_u[:,1] # 计算二阶导数 grad_u_x = torch.autograd.grad(u_x.sum(), points, create_graph=True)[0] u_xx = grad_u_x[:,1] # Burgers方程残差 residual = u_t + u*u_x - (0.01/np.pi)*u_xx return torch.mean(residual**2)

4. 训练过程

4.1 训练配置

net = BurgersNN() optimizer = torch.optim.Adam(net.parameters(), lr=1e-3) # 采样点配置 n_points = 2000 t_domain = (0, 1) x_domain = (-1, 1)

4.2 训练循环

我采用分阶段训练策略：

前1000轮专注边界条件
后9000轮联合优化PDE和边界条件

for epoch in range(10000): optimizer.zero_grad() # 边界损失 t_bc = torch.zeros(n_points,1) x_bc = torch.rand(n_points,1)*2-1 u_pred = net(torch.cat([t_bc, x_bc], dim=1)) loss_bc = F.mse_loss(u_pred, -torch.sin(np.pi*x_bc)) # PDE损失 t_coll = torch.rand(n_points,1) x_coll = torch.rand(n_points,1)*2-1 loss_pde = pde_loss(net, torch.cat([t_coll, x_coll], dim=1)) # 组合损失 if epoch < 1000: loss = loss_bc else: loss = loss_bc + loss_pde loss.backward() optimizer.step() if epoch%1000 == 0: print(f"Epoch {epoch}: Loss {loss.item():.4f}")

5. 结果可视化

训练完成后，我们可以绘制3D曲面图观察解的变化：

def plot_solution(net): t = np.linspace(0,1,100) x = np.linspace(-1,1,100) T, X = np.meshgrid(t,x) with torch.no_grad(): inputs = torch.FloatTensor(np.c_[T.ravel(), X.ravel()]) U = net(inputs).numpy().reshape(T.shape) fig = plt.figure(figsize=(10,6)) ax = fig.add_subplot(111, projection='3d') ax.plot_surface(T, X, U, cmap='viridis') ax.set_xlabel('Time t') ax.set_ylabel('Position x') ax.set_zlabel('Velocity u') plt.show()