物理信息神经网络在Burgers方程求解中的复现与扩展

本项目基于TensorFlow 2.x实现物理信息神经网络（PINN）求解一维Burgers方程，完整复现Raissi等人2019年的经典论文，并通过Adam与L-BFGS混合优化策略提升求解精度，为PINN的学习者和研究者提供高质量起点。

传统数值方法（有限差分、有限元等）在高维、逆问题及数据稀缺场景面临计算成本挑战。2019年Raissi等人提出PINN框架，将物理定律嵌入神经网络训练。Burgers方程是流体力学重要模型，捕捉非线性对流与粘性扩散竞争，有解析解可作基准，是检验新算法的试金石。

PINN的复合损失函数含三部分：初始条件损失（t=0时预测与初始状态一致）、边界条件损失（满足域边界物理约束）、PDE残差损失（通过自动微分计算导数代入PDE，残差趋近于零）。无需标注解数据，仅靠方程、初始及边界条件学习解。

采用TensorFlow 2.x框架，模块化设计：配置管理用YAML文件管理超参数；网络为深度全连接，输入(t,x)输出u(t,x)，隐藏层用tanh激活；训练分两阶段：Adam预热得初始解，L-BFGS精细调整；自动微分用GradientTape计算导数。

模型成功学习Burgers方程解特征（如激波形成传播）。混合优化相比单一Adam显著降低PDE残差。训练成本集中在训练阶段，推理仅前向传播，毫秒级获任意时空点解，适合实时预测、参数扫描场景。

前景：逆问题高效求解（端到端）、数据融合（稀疏实验数据+物理方程）、高维问题潜在解决方案。局限：强对流主导问题训练不稳定；复杂几何/多尺度需调整网络；训练时间长于传统数值方法单次求解。

本开源项目是PINN学习与研究的高质量起点，既复现经典方法又展示改进方向。随着科学机器学习发展，PINN及其变体有望在工程仿真、气象预报、医学成像等领域发挥重要作用。