5.4 AI 求解偏微分方程

5.4 AI 求解偏微分方程

前沿一章的最后一站是数据进场。2019 年前后，两条机器学习路线先后撞进偏微分方程领域：物理信息网络把方程残差写进损失函数，让网络在"满足数据"与"满足方程"之间找平衡；神经算子不再学单个解，而是学"从输入函数到解函数"的映射本身。五年过去，两条路线的能力边界已经清晰：它们在特定场景高效，在多数正问题上还追不上传统求解器。本节讲清两条路线的原理，并坚持本册的立场——用第四章的数值标尺给网络验收。

让网络把残差当作业

物理信息网络（PINN）的构造出人意料地简朴。用一个标准神经网络表示解：u_θ(x, t)，θ 是可训练参数。网络的"物理课"通过损失函数上家教：

L(θ) = ‖u_θ 在初始与边界上的误差‖² + w·‖u_θ 的时间导数 − a²·u_θ 的空间二阶导‖²。

第二项是方程残差，在配点上采样。关键机关是自动微分：残差里的导数不是差商近似，而是对网络计算图的精确求导——链条上每一步都是初等函数，导数精确可得。这与 4.1 的离散化哲学形成有趣对照：传统方法先离散算子再解代数方程，PINN 保留连续算子、把"解方程"变成"高维无约束优化"。训练收敛时，网络是残差在采样意义下接近零的函数——按 2.4 的语义，它是一个数值弱解。

PINN 的真实强项在反问题与数据融合：参数（扩散系数、源项）可以与网络参数一起进损失函数，5.3 的反演流程被一个损失函数天然吸收；观测数据稀疏或带噪时，方程项充当正则化。弱项同样明确：高刚性问题的损失地形崎岖，训练不稳定；精度上限通常在百分之一量级，且没有系统性的收敛阶可报告——训练误差下降不保证解误差同步下降。

图解：两条 AI 路线的原理对照

PINN 与神经算子结构示意

学映射而非解：神经算子

PINN 学的是"这一个"解；换初始条件、换系数就得重训。神经算子换目标：学映射 G——从输入函数（系数场、边界数据、源项）到解函数的算子。傅里叶神经算子是代表性实现：在网络层里做傅里叶变换、在频域做线性变换、截断高波数——本质上是用神经网络的参数化去逼近 3.4 节格林函数的那类积分算子。训练数据是一批"输入函数、解函数"样本对（通常由传统求解器生成——这一点值得念两遍），学成之后，新输入一次前推即得解，速度比传统求解器快几个数量级。

适用判据由此清楚：多查询场景（同一方程族要解成千上万次：设计优化的迭代循环、不确定性量化的参数扫描、实时数字孪生）值得付一次训练成本换万次推理加速；单次求解（就解一次的工程问题）直接用传统求解器更准更稳。训练分布的边界是另一条红线：算子在见过的参数范围内插值表现良好，外推没有保证——像所有机器学习一样。

数值实验：给一个迷你 PINN 验收

用一个极小的一维问题（稳态热传导 −u'' = 2，零边值，真解 u = x(1−x)）走一遍 PINN 的骨架代码与验收流程。工程实现依赖自动微分库，这里用 PyTorch 风格的最小示例：

import torch, torch.nn as nn

torch.manual_seed(0)
net = nn.Sequential(nn.Linear(1, 32), nn.Tanh(),
                    nn.Linear(32, 32), nn.Tanh(), nn.Linear(32, 1))
opt = torch.optim.Adam(net.parameters(), lr=1e-3)

def residual(x):
    x = x.requires_grad_(True)
    u = net(x)
    ux = torch.autograd.grad(u.sum(), x, create_graph=True)[0]
    uxx = torch.autograd.grad(ux.sum(), x, create_graph=True)[0]
    return -uxx - 2.0                                # 方程残差

bc = torch.linspace(0, 1, 2).reshape(-1, 1)          # 边界配点
for step in range(4000):
    x = torch.rand(64, 1)                            # 内部随机配点
    loss = (residual(x)**2).mean() + (net(bc)**2).mean() * 10.0   # 残差 + 边界
    opt.zero_grad(); loss.backward(); opt.step()

xt = torch.linspace(0, 1, 101).reshape(-1, 1)
err = (net(xt).detach().numpy().ravel() - xt.detach().numpy().ravel()*(1-xt.detach().numpy().ravel()))
print("最大点误差:", round(abs(err).max(), 5))
print("残差均方根:", round(float((residual(xt)**2).mean())**0.5, 5))
​

典型的验收读法：四千步训练后最大点误差在千分之几到百分之几之间（随种子波动）——对照第四章同样的二次真解，二阶差分三十个格点就能做到十万分之一精度。这张账单如实呈现了现状：正问题上网络精度与效率都无优势；但若把问题改成"反演未知源项强度"或"一千组系数的多查询"，平衡就开始向 PINN 与算子倾斜。换五个随机种子重训、观察误差方差，是比单次结果更诚实的报告——无收敛阶的方法必须用统计口径补偿。

⚠️ 常见坑：把"损失降下去了"当"解对了"。残差在配点上为零不等于残差处处为零，配点稀疏时网络会在配点之间"藏污"。加密度检查（随机换一批配点评估残差）是 PINN 版的网格收敛研究。

本节要点

• PINN：网络表示解、残差进损失、自动微分供导数——把解方程变成高维优化；
• 强项弱项：数据融合与反问题见长，刚性、精度上限与无收敛阶是短板；
• 神经算子：学输入函数到解函数的映射，多查询场景一次训练万次推理；
• 训练数据悖论：算子的老师通常是传统求解器，两条路线是接力不是替代；
• 验收纪律：对表解析解、配点加密、多种子统计、外推测试——第四章标尺照用不误。

前沿四章走完，工具箱已经装满。第六章带着它们走进应用现场：工程传热、量子力学、金融定价、图像去噪——每个现场都会点一把前面磨好的刀。