文章目录
- 一、基本思想
- 二、损失函数构成
- 三、数学基础与优势
- 四、典型应用场景
- 五、局限与挑战
- 六、代表性工作
PINN（Physics-Informed Neural Networks，物理信息神经网络）是一类将物理规律（通常以偏微分方程 PDE 的形式）嵌入神经网络训练过程中的深度学习方法。其核心思想是：利用神经网络作为函数逼近器，并通过损失函数显式地引入物理方程的约束，使得模型不仅拟合数据，还满足已知的物理定律。
一、基本思想
设我们希望求解一个偏微分方程（PDE）：
N [ u ( x , t ) ; λ ] = 0 , 在域 Ω 内 \mathcal{N}[u(\mathbf{x}, t); \boldsymbol{\lambda}] = 0, \quad \text{在域 } \Omega \text{ 内}N[u(x,t);λ]=0,在域Ω内
其中：
- u ( x , t ) u(\mathbf{x}, t)u(x,t)是未知解（例如温度、速度场等）；
- N \mathcal{N}N是一个包含偏导数的微分算子（可能非线性）；
- λ \boldsymbol{\lambda}λ是 PDE 中的参数（如扩散系数）；
- 同时需满足初始条件（IC）和边界条件（BC）。
传统数值方法（如有限元、有限差分）通过离散网格求解；而 PINN 使用一个神经网络u θ ( x , t ) u_{\theta}(\mathbf{x}, t)uθ(x,t)（参数为θ \thetaθ）来近似u uu，并通过优化以下复合损失函数来训练：
L ( θ ) = L data + L PDE + L IC + L BC \mathcal{L}(\theta) = \mathcal{L}_{\text{data}} + \mathcal{L}_{\text{PDE}} + \mathcal{L}_{\text{IC}} + \mathcal{L}_{\text{BC}}L(θ)=Ldata+LPDE+LIC+LBC
二、损失函数构成
数据拟合项（可选）
如果有观测数据{ ( x i , t i ) , u i obs } \{(\mathbf{x}_i, t_i), u_i^{\text{obs}}\}{(xi,ti),uiobs}，则：
L data = 1 N data ∑ i = 1 N data ∥ u θ ( x i , t i ) − u i obs ∥ 2 \mathcal{L}_{\text{data}} = \frac{1}{N_{\text{data}}} \sum_{i=1}^{N_{\text{data}}} \left\| u_{\theta}(\mathbf{x}_i, t_i) - u_i^{\text{obs}} \right\|^2Ldata=Ndata1i=1∑Ndatauθ(xi,ti)−uiobs2PDE 残差项（核心）
在域内随机或规则采样点{ ( x f , t f ) } \{(\mathbf{x}_f, t_f)\}{(xf,tf)}上，强制 PDE 成立：
L PDE = 1 N f ∑ j = 1 N f ∥ N [ u θ ( x f ( j ) , t f ( j ) ) ; λ ] ∥ 2 \mathcal{L}_{\text{PDE}} = \frac{1}{N_f} \sum_{j=1}^{N_f} \left\| \mathcal{N}[u_{\theta}(\mathbf{x}_f^{(j)}, t_f^{(j)}); \boldsymbol{\lambda}] \right\|^2LPDE=Nf1j=1∑NfN[uθ(xf(j),tf(j));λ]2
注意：N [ u θ ] \mathcal{N}[u_{\theta}]N[uθ]中的偏导数通过自动微分（如 PyTorch/TensorFlow 的 autograd）计算，无需网格。初始条件项
L IC = 1 N IC ∑ k ∥ u θ ( x k , 0 ) − u 0 ( x k ) ∥ 2 \mathcal{L}_{\text{IC}} = \frac{1}{N_{\text{IC}}} \sum_{k} \left\| u_{\theta}(\mathbf{x}_k, 0) - u_0(\mathbf{x}_k) \right\|^2LIC=NIC1k∑∥uθ(xk,0)−u0(xk)∥2边界条件项（如 Dirichlet、Neumann）
L BC = 1 N BC ∑ l ∥ B [ u θ ( x l , t l ) ] − g ( x l , t l ) ∥ 2 \mathcal{L}_{\text{BC}} = \frac{1}{N_{\text{BC}}} \sum_{l} \left\| \mathcal{B}[u_{\theta}(\mathbf{x}_l, t_l)] - g(\mathbf{x}_l, t_l) \right\|^2LBC=NBC1l∑∥B[uθ(xl,tl)]−g(xl,tl)∥2
三、数学基础与优势
- 通用逼近性：神经网络可逼近任意光滑函数（在合理假设下）。
- 无网格方法：不依赖传统网格，适合高维、复杂几何（如 3D+时间）。
- 数据与物理融合：即使数据稀疏或含噪，物理约束可提升泛化。
- 反问题求解：可同时反演 PDE 参数λ \boldsymbol{\lambda}λ，只需将其作为可训练变量加入损失函数。
四、典型应用场景
- 正向求解 PDE（替代传统数值方法）；
- 从稀疏观测中重建完整物理场（如流场、温度场）；
- PDE 参数识别（如扩散系数、反应速率）；
- 多物理场耦合问题；
- 不确定性量化（与贝叶斯 PINN 结合）。
五、局限与挑战
- 训练不稳定（损失项量纲不一致、梯度不平衡）；
- 对高阶 PDE 或强非线性问题收敛慢；
- 缺乏严格的误差估计理论；
- 计算成本高（需大量残差点）；
- 网络结构选择依赖经验。
六、代表性工作
- Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019).Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics.
