物理信息神经网络（PINN）入门：用深度学习求解对流扩散方程

一个从零实现的物理信息神经网络项目，展示如何使用 PINN 方法求解一维对流扩散方程，将物理约束融入神经网络训练过程。

在科学计算领域，偏微分方程（PDE）的求解一直是核心问题。传统的有限差分法、有限元法等数值方法虽然成熟可靠，但在高维问题、逆问题以及需要快速推理的场景中面临挑战。近年来，物理信息神经网络（Physics-Informed Neural Networks，简称 PINN）作为一种新兴方法，将物理定律直接嵌入神经网络的损失函数，开创了科学机器学习（Scientific Machine Learning）的新范式。

这个开源项目是一个从零开始实现的 PINN 程序，专门用于求解一维对流扩散方程（1D Advection-Diffusion Equation）。项目代码结构清晰，包含多个迭代版本（nn_version1、nn_version2、nn_version3_FINAL），展示了从基础实现到最终优化的完整开发过程。对于希望理解 PINN 原理并动手实践的开发者来说，这是一个很好的学习资源。

对流扩散方程是描述物质输运现象的基础方程，广泛应用于流体力学、环境科学、传热学等领域。一维形式可以表示为：

∂u/∂t + c·∂u/∂x = D·∂²u/∂x²

其中：

• u(x,t) 是待求解的物理量（如浓度、温度）
• c 是对流速度
• D 是扩散系数

这个方程同时包含对流项（一阶导数）和扩散项（二阶导数），其数值求解需要谨慎处理稳定性和精度问题。

物理信息神经网络的核心创新在于将物理约束作为"软约束"融入训练过程。具体来说，PINN 通过以下三个组成部分构建损失函数：

神经网络 u_θ(x,t) 需要近似满足物理方程。定义残差：

f = ∂u/∂t + c·∂u/∂x - D·∂²u/∂x²

理想情况下，残差应在定义域内处处为零。通过自动微分（Automatic Differentiation），神经网络可以精确计算这些导数项，无需离散化近似。

物理问题需要初始状态。PINN 在初始时刻 t=0 的数据点上强制网络输出与给定初始条件一致。

在边界上，网络输出需要满足 Dirichlet、Neumann 或周期性边界条件等约束。

最终的损失函数是这三项的加权和：

Loss = λ₁·MSE(f, 0) + λ₂·MSE(u, u₀) + λ₃·MSE(u, u_b)