物理信息神经网络（PINN）求解Allen-Cahn相场方程：无需仿真数据的智能PDE求解器

本项目展示如何使用物理信息神经网络（PINN）从零开始求解Allen-Cahn相场方程，无需标注仿真数据，仅通过最小化PDE残差、初始条件和边界条件的复合损失函数训练网络。PINN作为科学机器学习的重要进展，解决了传统PDE求解方法（如有限差分、有限元）的网格依赖、几何复杂性等局限，为材料科学等领域的复杂问题提供新工具。

偏微分方程（PDE）是描述物理世界的基础工具，但传统求解方法（有限差分FDM、有限元FEM）存在明显局限：网格依赖性强（细网格成本高）、复杂几何处理困难、高维灾难、部分方法需大量仿真数据。Allen-Cahn方程是相分离过程的经典抛物型PDE，形式为∂φ/∂t = ε²Δφ - φ³ + φ，相场变量φ表示相态，可捕捉界面运动与拓扑变化，无需显式追踪界面。

PINN将物理定律嵌入神经网络训练，通过复合损失函数（PDE残差损失+初始条件损失+边界条件损失）学习PDE解。本项目采用全连接MLP架构：输入层（x,t）→4层隐藏层（各64神经元）→输出层（φ），激活函数选择tanh（光滑、有界、非线性），参数规模约12900个，平衡表达能力与训练效率。

自动微分是PINN的技术核心，通过PyTorch的反向模式自动微分计算高阶导数（如φ的一阶时间导数、二阶空间导数）。训练策略包括：配点采样（均匀/自适应/边界强化）、Adam优化器、学习率衰减调度，监控总损失、各分量损失及残差分布以优化训练过程。

PINN解的验证包括：与传统数值方法（如有限差分）对比量化精度；物理一致性检查（φ值在-1到1之间、能量递减、质量守恒等）；可视化（时空演化图、界面位置轨迹、能量曲线）以直观展示相场演化。

PINN面临的挑战包括：训练困难（多任务优化、谱偏差、刚性问题）、计算成本高（导数计算增加开销，高维问题更显著）、精度通常低于专门数值方法，对高精度应用可能不足。

PINN在材料科学（晶体生长、断裂力学、多孔介质流动）、流体力学（Navier-Stokes方程、多相流）领域有广泛应用；可求解逆问题（参数识别、源项识别、形状优化）；还可与传统数值方法、实验数据、多保真数据源结合扩展能力。

PINN代表科学机器学习的重要进展，证明神经网络可从物理定律学习。随着技术与计算能力发展，PINN有望在科学计算与工程应用中发挥更大作用。本项目为PINN原理与实践提供清晰起点，体现物理与机器学习的深度融合。