物理信息神经网络 PINN ★

是什么

物理信息神经网络（PINN）用一个全连接网络 u(x, t; θ) 直接表示偏微分方程的解函数， 把方程残差、初值条件、边界条件分别写成损失项加权求和，再用自动微分求导数完成训练。 它求解的是单个 PDE 实例：换一组参数或换一个几何，就要重新训练一次。

关键要点

• 损失 = 数据项 + 方程残差项 + 边界项。残差项由自动微分（AD）算出，不需要差分网格。
• 无数据也能训：只要有控制方程和定解条件，就能得到解，这让它对实验数据稀缺的工程问题很有吸引力。
• 解是连续可微的解析形式，任意点求值、任意阶求导都很便宜，适合反问题与参数辨识。
• 训练难度高：不同损失项量级差异大时容易顾此失彼，需要自适应权重或课程学习。

常见误区 / 边界

• PINN 不等于”物理 AI”的全部，它只是解一个方程的方法；要”学一族方程的解算子”请看神经算子。
• 精度上 PINN 通常不如成熟的 FEM/FVM 求解器，它的优势在于无网格、易耦合数据与反问题，而非精度。
• 高频与多尺度问题上，PINN 受谱偏差影响收敛很慢，这是当前研究的主要痛点之一。