=f(x)开始（附完整代码）)
用PyTorch从零构建PINN：求解f'(x)=f(x)的实战指南
在科学计算与工程领域，微分方程求解一直是个核心挑战。传统数值方法如有限差分法虽然成熟，但面对复杂问题时往往计算成本高昂。物理信息神经网络（PINN）的出现，为这一领域带来了全新的思路——它巧妙地将物理定律编码到神经网络中，让AI直接学习微分方程的解。本文将带你用PyTorch一步步实现一个PINN，求解经典的微分方程f'(x)=f(x)，直观感受神经网络如何"学会"指数函数的解。
1. 环境准备与问题定义
在开始编码前，我们需要明确几个关键概念。PINN的核心思想是将微分方程作为神经网络的约束条件，通过优化网络参数来满足这些约束。对于方程f'(x)=f(x)，其解析解为f(x)=Ce^x（C为常数），这将成为我们验证PINN效果的重要参照。
首先配置基础环境：
import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt from torch.autograd import grad print(f"PyTorch版本: {torch.__version__}") print(f"CUDA可用: {torch.cuda.is_available()}")提示：虽然可以在CPU上运行本教程，但使用GPU（如Colab的免费GPU）可以显著加快训练速度。
我们需要定义问题的数学表述：
- 微分方程：f'(x) - f(x) = 0
- 边界条件：f(0) = 1（这将确定常数C=1）
- 定义域：x ∈ [0, 2]
2. 构建神经网络模型
PINN的基础是一个全连接神经网络，它将坐标x作为输入，输出对应的函数值f(x)。网络结构不需要太复杂，通常2-3个隐藏层就足够：
class PINN(nn.Module): def __init__(self, layers=[1, 20, 20, 1]): super().__init__() self.net = nn.Sequential( nn.Linear(layers[0], layers[1]), nn.Tanh(), nn.Linear(layers[1], layers[2]), nn.Tanh(), nn.Linear(layers[2], layers[3]) ) def forward(self, x): return self.net(x)这个网络有几个关键设计选择：
- 激活函数：使用tanh而非ReLU，因为tanh的平滑性更适合微分运算
- 层宽度：20个神经元提供了足够的表达能力
- 输出层：线性激活，不限制输出范围
我们可以实例化模型并检查其参数数量：
model = PINN() total_params = sum(p.numel() for p in model.parameters()) print(f"模型总参数: {total_params}")3. 设计损失函数
PINN的独特之处在于其损失函数的设计，它需要同时考虑：
- 微分方程残差：衡量网络输出是否满足f'(x)=f(x)
- 边界条件：确保网络在边界点（x=0）输出正确值
首先定义微分方程残差的计算：
def compute_residual(model, x): x.requires_grad_(True) f = model(x) f_x = grad(f, x, torch.ones_like(f), create_graph=True)[0] residual = f_x - f return residual然后组合边界条件和微分方程残差：
def loss_fn(model, x_domain, x_bc): # 边界条件损失 f_pred_bc = model(x_bc) loss_bc = torch.mean((f_pred_bc - 1.0)**2) # f(0)=1 # 微分方程残差损失 residual = compute_residual(model, x_domain) loss_pde = torch.mean(residual**2) # 总损失 return loss_bc + loss_pde注意：这里我们简单地将两项损失相加，在实际应用中可能需要调整权重。
4. 训练流程实现
训练PINN需要特别关注采样策略和学习率调度：
def train(model, epochs=5000, lr=0.01): optimizer = torch.optim.Adam(model.parameters(), lr=lr) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, 'min', patience=500, factor=0.5, verbose=True) # 训练数据 x_domain = torch.linspace(0, 2, 100).view(-1, 1) x_bc = torch.tensor([[0.0]], requires_grad=True) losses = [] for epoch in range(epochs): optimizer.zero_grad() loss = loss_fn(model, x_domain, x_bc) loss.backward() optimizer.step() scheduler.step(loss) if epoch % 500 == 0: print(f"Epoch {epoch}: Loss = {loss.item():.4f}") losses.append(loss.item()) return losses训练过程的关键参数：
| 参数 | 值 | 说明 |
|---|---|---|
| epochs | 5000 | 训练轮次 |
| lr | 0.01 | 初始学习率 |
| 采样点 | 100 | 定义域内均匀采样 |
| 优化器 | Adam | 自适应学习率优化器 |
| 调度器 | ReduceLROnPlateau | 损失平台时降低学习率 |
开始训练并监控损失：
model = PINN() loss_history = train(model) plt.plot(loss_history) plt.yscale('log') plt.xlabel('Epoch') plt.ylabel('Loss (log scale)') plt.title('Training Loss History') plt.show()5. 结果分析与可视化
训练完成后，我们可以将PINN的预测与解析解进行对比：
def plot_results(model): x_test = torch.linspace(0, 2, 100).view(-1, 1) with torch.no_grad(): f_pred = model(x_test).numpy() x_test = x_test.numpy() f_exact = np.exp(x_test) plt.figure(figsize=(10, 6)) plt.plot(x_test, f_exact, 'b-', linewidth=2, label='Exact solution') plt.plot(x_test, f_pred, 'r--', linewidth=2, label='PINN prediction') plt.xlabel('x') plt.ylabel('f(x)') plt.legend() plt.title('Comparison of PINN prediction and exact solution') plt.show() plot_results(model)为了更深入理解PINN的学习过程，我们可以检查不同训练阶段的结果：
def plot_training_progress(): model = PINN() x_test = torch.linspace(0, 2, 100).view(-1, 1) plt.figure(figsize=(10, 6)) for epoch in [0, 100, 500, 1000, 5000]: train(model, epochs=epoch) with torch.no_grad(): f_pred = model(x_test).numpy() plt.plot(x_test.numpy(), f_pred, label=f'Epoch {epoch}') f_exact = np.exp(x_test.numpy()) plt.plot(x_test.numpy(), f_exact, 'k-', linewidth=3, label='Exact') plt.legend() plt.xlabel('x') plt.ylabel('f(x)') plt.title('PINN Learning Progress') plt.show() plot_training_progress()6. 高级技巧与优化建议
在实际应用中，有几个技巧可以提升PINN的性能：
自适应采样：
- 在残差大的区域增加采样点
- 动态调整训练过程中的采样分布
损失权重调整：
- 为边界条件和PDE残差分配不同权重
- 可以基于误差分析动态调整
网络架构改进：
- 使用残差连接改善梯度流动
- 尝试不同的激活函数组合
集成学习：
- 训练多个网络取平均
- 减少随机初始化带来的方差
实现自适应权重的示例代码：
class AdaptiveWeightLoss: def __init__(self, initial_weight=1.0): self.weight = torch.tensor(initial_weight) self.lambda_history = [] def update(self, loss_pde, loss_bc): # 简单的启发式更新规则 ratio = loss_pde.detach() / loss_bc.detach() self.weight = 0.9 * self.weight + 0.1 * ratio self.lambda_history.append(self.weight.item()) return self.weight7. 扩展到更复杂问题
掌握了这个基础案例后，你可以尝试将PINN应用于更复杂的问题：
- 高阶微分方程：如f''(x) + f(x) = 0
- 偏微分方程：如热传导方程、波动方程
- 参数反问题：同时学习方程解和未知参数
- 多物理场耦合问题：如流体-结构相互作用
例如，求解二阶ODE的修改点：
def compute_residual_second_order(model, x): x.requires_grad_(True) f = model(x) f_x = grad(f, x, torch.ones_like(f), create_graph=True)[0] f_xx = grad(f_x, x, torch.ones_like(f_x), create_graph=True)[0] residual = f_xx + f # f'' + f = 0 return residual在实现这些扩展时，要注意梯度计算可能会变得更加敏感，可能需要调整网络架构和训练策略。
