物理信息神经网络（PINN）这两年几乎成了科学计算领域最热的词之一，尤其在偏微分方程求解、流动建模和反问题方向。以前我做流动计算，遇到强非线性方程，第一反应是加密网格、换格式、调时间推进方案；后来认真把PINN跑通，才发现深度学习和物理定律结合之后，能做的事比想象中多很多。这篇文章我会分享一套基于MATLAB的PINN求解方案，用Burger方程作为第一个算例，再延伸到其他复杂流动模型。如果你手上有MATLAB，但又不想专门去搭一套Python深度学习环境，这篇文章的路子可以直接照着走。
先说清楚这个内容能解决什么问题。传统数值方法在网格生成、边界处理和参数扫描上往往要花大量人力，PDE换个初边值条件，很可能就要重新生成一套流程。PINN的思路刚好相反：把偏微分方程的残差直接写进损失函数，让神经网络在拟合数据的同时遵守物理规律。它尤其适合参数化研究、稀疏数据反演这类场景。文章后面会用Burger方程跑通完整流程，再给出向Navier-Stokes等复杂流动模型扩展的具体思路。
1. 先搞清楚PINN到底在解什么方程
1.1 把物理方程写进损失函数，而不是写进网络结构
很多新手第一次接触PINN，总以为它是在网络结构上做了什么手脚，让网络天生满足物理定律。其实不是。PINN的核心思路非常朴素：你有一个待求函数u(x,t)，用一个神经网络u_θ(x,t)去逼近它，然后在损失函数里显式地惩罚它偏离物理方程的程度。
以Burger方程为例：
u_t + u * u_x = ν * u_xx如果u_θ是精确解，那残差项 r = u_t + u * u_x - ν * u_xx 应该处处等于零。PINN的做法就是对整个时空域采样一堆点，算这个残差，然后让残差的平方均值尽可能小。再加上初始条件的拟合误差和边界条件的拟合误差，一起作为总的损失函数。
比较关键的一点是，网络训练过程中需要的导数并不是用有限差分近似出来的，而是通过自动微分（Automatic Differentiation）精确计算的。MATLAB里的dlarray和dlgradient就是干这个用的。自动微分沿着网络的计算图链式求导，所以u_t、u_x、u_xx都是机器算出来的，不是我们手推的。
这个思路用生活化的说法解释：网络可以自由变形，但每次变形都要交“物理罚金”，偏离方程越远罚金越重。训练的本质就是在有限的数据约束和物理罚金之间找一个平衡点。
1.2 为什么我用MATLAB而不是Python框架
提到PINN，很多人第一反应是Python里的各种开源框架，生态确实丰富。但我最后选择用MATLAB，有几个很现实的原因。
第一，很多课题组和工程师手里已经有大量MATLAB代码，数据预处理、后处理、可视化全在MATLAB里。如果单独为PINN搭一套Python环境，数据要导来导去，光格式转换就能折腾半天。MATLAB深度学习工具箱从R2019b开始支持dlnetwork，后续版本又完善了自定义训练循环，写一个完整的PINN并不困难。
第二，MATLAB调试体验好。PINN训练不收敛的时候，经常需要检查中间某个张量的数值、看某一层的输出分布，Python里你要么print要么上debugger，MATLAB工作区里点开变量一目了然，这对从传统科学计算转过来的研究者特别友好。
第三，PINN这类问题网络规模通常不大，不需要上千层的Transformer，也不需要超大规模分布式训练。一个小型全连接网络，在MATLAB里用CPU跑几千步迭代，耗时也就几分钟到几十分钟。GPU有更好，没有也不会是瓶颈。
当然，MATLAB不是万能的。如果你要做非常复杂的算子库、大规模GPU并行，或者想直接用社区里现成的PINN组件，Python生态确实更丰富。我的建议是：项目数据和团队习惯在MATLAB就用MATLAB，不要为了“时髦”额外引入一套技术栈。
1.3 PINN擅长和不擅长的问题边界
我在实际项目里踩过不少坑，发现PINN不是万能药。先说说它擅长什么。
高维问题是一个典型场景。传统数值方法在高维空间会遇到网格爆炸，比如五维六维的PDE，网格法基本没法做。PINN用点采样代替网格剖分，只要采样点覆盖得住，高维问题也能尝试。还有就是参数化代理模型，这个概念后面会细说——把多个工况打包成一个网络，推理时秒出解。再一个是反问题，已知稀疏的场观测数据，反推方程系数或源项，这是PINN相比传统数值方法的突出优势。
但PINN也有明显的短板。强激波、低粘性这类问题，解里存在近间断的陡峭剖面，网络很难用一组光滑基函数精确表达，容易在激波附近产生抹平或振荡。超高雷诺数湍流直接硬解，目前也不太现实。另外，对于简单的标准PDE，传统有限差分或有限元无论在精度还是计算效率上往往都更胜一筹。
所以我的建议是：不要一上来就想着用PINN替代传统CFD，而是把它当成第二套工具，在参数扫描、反演、数据融合这些传统方法比较吃力的场景里发挥作用。
2. 用MATLAB搭建Burger方程的完整PINN求解器
2.1 方程设定与参考解准备
Burger方程是PINN入门最经典的测试用例，非线性对流项加粘性扩散项，既能体现出流动问题的难度，又不像完整Navier-Stokes方程那样复杂得让人劝退。
我采用的设定是：
x ∈ [-1, 1], t ∈ [0, 1] u_t + u * u_x = ν * u_xx u(0, x) = -sin(πx) u(t, -1) = u(t, 1) = 0粘性系数ν取0.01。这个参数下有较明显的激波形成过程，对网络有一定挑战性，但对展示PINN能力又足够。如果你第一次跑，我建议先用ν = 0.1试一遍，解会更平滑，容易把整个流程跑通，等确认代码没有问题再切回ν = 0.01。
做PINN训练之前，先准备一套参考解用于事后对比。Burger方程理论上可以通过Cole-Hopf变换求解析解，但实际实现还是要做数值积分。更省事的方式是直接用高分辨率守恒型差分格式算一个基准解。我用的是迎风加中心差分的混合格式，空间网格取2000个点，时间步数取4000步，得到的解足够精细。示意图大致是这样：
% 高分辨率差分求解Burger方程，作为参考解（示意代码） % 注意：这里为了展示思路做了简化，正式使用请采用能达到网格无关的格式 nu = 0.01; Nx = 2000; Nt = 4000; x = linspace(-1, 1, Nx)'; dx = x(2) - x(1); dt = 1 / Nt; u = -sin(pi * x); for n = 1:Nt % 对流项采用迎风思路，粘性项用中心差分 flux = 0.5 * u.^2; % 一阶迎风/中心混合，实际需要CFL判断 u(2:end-1) = u(2:end-1) - dt/dx * (flux(2:end-1) - flux(1:end-2)) ... + nu * dt/dx^2 * (u(3:end) - 2*u(2:end-1) + u(1:end-2)); % 边界条件 u(1) = 0; u(end) = 0; end这个参考解不要求达到论文级精度，只要网格够细、格式稳定，能给出可靠的对比基准就够了。
2.2 网络定义与自动微分残差
在MATLAB里定义网络使用dlnetwork。我常用的结构是4层隐藏层、每层50个神经元，激活函数用tanh。
layers = [ featureInputLayer(2, 'Normalization', 'none') fullyConnectedLayer(50) tanhLayer fullyConnectedLayer(50) tanhLayer fullyConnectedLayer(50) tanhLayer fullyConnectedLayer(1) ]; net = dlnetwork(layers);为什么要用tanh而不用ReLU？原因很简单：PINN的损失里要求u对x的二阶导，ReLU是分段线性函数，二阶导恒等于零，网络就失去了表达粘性项的能力。tanh这类光滑激活函数是更合理的选择。
损失函数是PINN的核心。下面的示意代码展示了如何用dlgradient计算一阶导和二阶导，从而形成PDE残差：
function [loss, grads] = modelLoss(net, X, T, X0, T0, U0, nu) % 网络输入是 [X; T]，输出是u U = forward(net, [X; T]); % 计算一阶和二阶导数 Ux = dlgradient(U, X); Uxx = dlgradient(Ux, X); Ut = dlgradient(U, T); % PDE残差 f = Ut + U .* Ux - nu * Uxx; pdeLoss = mean(f(:).^2); % 初始条件损失 U0_pred = forward(net, [X0; T0]); icLoss = mean((U0_pred(:) - U0(:)).^2); % 边界条件损失：x=-1 和 x=1 处近似为0 % 实际实现要传入左右边界点，这里示意 U_left = forward(net, [X_left; T_left]); U_right = forward(net, [X_right; T_right]); bcLoss = mean(U_left(:).^2) + mean(U_right(:).^2); % 总损失 loss = pdeLoss + icLoss + bcLoss; grads = dlgradient(loss, net.Learnables); end注意，这里X、T、X0、T0都必须是dlarray，而且格式要保持列对齐。比如残差点采样时，X和T是同一条样本的横坐标和时间戳，拼接成2×N的输入矩阵，网络输出的列才和样本一一对应。
2.3 采样策略与训练流程
PINN不需要网格，但需要“点”。点怎么采，直接影响训练效果。
残差点：在x∈[-1,1]、t∈[0,1]的整个定义域内随机采样。我用lhsdesign（拉丁超立方）或者简单rand都行，采样量Nf取10000。这些点的作用是让网络在全局范围满足PDE。
初始点：在t=0时刻，x方向上采样200个点，u值是已知的，由初始条件给出。
边界点：在x=-1和x=1的边界上，各采样100~200个时间点，u值等于0。
采样代码大致如下：
rng(0); Nf = 10000; X = dlarray(-1 + 2 * rand(1, Nf), 'CB'); T = dlarray(rand(1, Nf), 'CB'); Nic = 200; X0 = dlarray(-1 + 2 * rand(1, Nic), 'CB'); T0 = dlarray(zeros(1, Nic), 'CB'); U0 = dlarray(-sin(pi * X0), 'CB');训练的主循环用adamupdate。这里有个很实用的建议：不要迷信单阶段长训练，我推荐两阶段策略。先用一个相对大的学习率（1e-2）跑15000到20000步，让loss快速下降；再降到1e-3精调。两阶段搭配起来，往往比始终用一个学习率收敛得更快、更稳。
3. 训练实操与收敛细节
3.1 拆开损失函数，学会看训练曲线
很多新手看到总loss开始下降，就觉得万事大吉，这是很危险的。总loss只是三个损失项的加权和，同一个数值可能对应完全不同的内部状态。我建议在训练循环里把pdeLoss、icLoss、bcLoss分别打印出来。
numIter = 20000; learnRate = 1e-2; avgGrad = []; avgSqGrad = []; for iter = 1:numIter [loss, grads] = dlfeval(@modelLoss, net, X, T, X0, T0, U0, nu); [net, avgGrad, avgSqGrad] = adamupdate(net, grads, avgGrad, avgSqGrad, iter, learnRate); if mod(iter, 1000) == 0 fprintf('Iter %6d, loss = %.3e, pde = %.3e, ic = %.3e, bc = %.3e\n', ... iter, extractdata(loss), extractdata(pdeLoss), ... extractdata(icLoss), extractdata(bcLoss)); end end如果你看到pdeLoss一直压在1e-2量级下不去，大概率是残差点不够密，或者网络宽度不够；如果icLoss总是比pdeLoss高一个量级，说明初始点附近的拟合出了问题，需要增加初始点密度，或者对初始条件做硬约束。
3.2 两阶段训练与学习率调整
两阶段训练是PINN实战中很有效的手段。第一轮用1e-2的学习率跑20000步，观察loss曲线。当loss下降变得非常缓慢时，把学习率降到1e-3，再跑10000到20000步。这个过程中不需要改其他参数。
需要注意，PINN的loss曲线不像传统深度学习那样稳定平滑，经常会出现小幅震荡，尤其是PDE残差点重新采样之后。遇到这种情况，先看总体趋势，不要因为单次跳变就急着调参。
如果训练到一半loss突然升高，最常见的元凶是学习率太大，导致参数越过最优区域。这时候不要盲目重启，先把学习率降一个量级，继续从当前模型接着训练，很多时候就能救回来。
3.3 结果对比与误差判断
训练完成后，需要在稠密网格上推理出整个解曲面。方法很简单：
x_eval = linspace(-1, 1, 400); t_eval = linspace(0, 1, 200); [Xm, Tm] = meshgrid(x_eval, t_eval); Xt = dlarray([Xm(:)'; Tm(:)'], 'CB'); U_pred = predict(net, Xt); U_pred = reshape(extractdata(U_pred), size(Xm));接下来和参考解做三件事：第一，固定几个时间层画剖面线，比如t=0.25、0.5、0.75、1.0，看解的激波位置和厚度是否和参考解基本吻合；第二，画整个时空域的预测热图，直观感受解曲面；第三，算相对L2误差，作为量化指标。
从实际测试来看，ν=0.01的Burger方程，PINN在激波附近通常会有轻微的抹平效应，这是正常现象，不必过度焦虑。如果发现激波附近误差特别大，可以在激波轨迹附近增加采样密度，或者把隐藏层宽度从50加到80。
4. 从Burger方程走向复杂流动模型
4.1 不可压缩Navier-Stokes方程的PINN形式
从Burger方程迁移到Navier-Stokes方程，核心思路完全一样，只是网络输入和输出的维数变了。以二维不可压缩NS方程为例：
u_x + v_y = 0 u_t + u*u_x + v*u_y = -p_x / ρ + ν*(u_xx + u_yy) v_t + u*v_x + v*v_y = -p_y / ρ + ν*(v_xx + v_yy)网络输入从(x,t)变成(x,y,t)，输出从一个标量u变成三个分量[u, v, p]。损失函数里除了动量方程的两个残差项，还要加入连续性方程残差项。
这里有一个非常值得注意的坑：压力p没有独立的进化方程，它整体可以加减一个常数而不影响速度场。如果训练过程中不固定压力参考点，p的均值会漂移，训练时经常会看到一个不断变化的常数偏移。解决方法是固定某一点的p值，或者在网络输出端让p减去当前batch的平均值。
初始条件和边界条件的处理方式与Burger方程一致，都是构造拟合损失。如果几何比较复杂，只需要在边界上采样点，不需要生成贴体网格，这是PINN相对于传统CFD方法的一大优势。
4.2 参数化代理模型与多工况覆盖
当网络结构确定之后，一个很自然的扩展就是把方程里的参数也当成输入。比如想让网络覆盖多个粘性系数ν的工况，可以把网络输入从(x,t)扩展到(x,t,ν)，训练时每个batch随机抽取若干个ν值。
这个做法对工程场景特别有意义。传统CFD要覆盖多个雷诺数，需要逐个工况仿真，每个工况都要重新生成网格、迭代求解。PINN参数化代理模型训练一次，推理时输入不同的ν就能秒出对应流场。我第一次跑通这个模式时还挺惊喜的，一个网络顶替掉了原先一堆重复算例。
不过要注意，参数跨度大时网络输入尺度差异会非常明显。建议先把ν这类参数做归一化到0到1，否则网络会因为输入尺度过大而难以收敛。当然，也可以把这类参数做log缩放后归一化，效果往往更好。
4.3 反问题与数据融合
PINN更大的价值在反问题。很多时候我们拿不到完整的初始条件和边界条件，但手里有部分稀疏的观测数据，希望反推方程的未知参数，这时候传统方法很棘手，PINN却能自然地处理。
做法是：把方程中的未知系数（比如粘性ν、某个源项强度）定义成网络的可训练变量，损失函数里除了PDE残差和初边值条件，再加上观测数据的拟合误差。训练过程中，网络权重和这个未知参数同时被Adam更新。训练结束后，未知参数的取值就是反演结果。
这里有个经验之谈：观测数据项的权重通常要设得大一些，比如10或者50，否则物理残差会把数据拟合给“带偏”。如果数据本身有噪声，权重还要根据信噪比适当调整。这种把实测数据和物理方程结合在一起的思路，在工业测量、医疗影像、场重建等场景里非常实用。
5. 常见问题与排查技巧
5.1 训练不收敛时的排查路径
我见过太多人第一步就栽在“loss怎么都降不下去”上。这里给出一个排查路径，基本可以覆盖大多数情况。
第一步，先看网络输出有没有NaN。如果有，八成是学习率太高，或者输入没有归一化，导致梯度爆炸。把学习率降到1e-3以下试试。
第二步，看总loss的内部构成。用前面说的拆解打印，定位是pdeLoss、icLoss还是bcLoss的问题。三个都高，大概率是采样点不够或者网络容量不足；只有某一个高，就针对性地处理。
第三步，看残差点的采样范围。确定有没有把时间和空间范围设错，比如把t采到了[0,1]之外，网络在定义域外学习了一堆没用的信息。
第四步，检查激活函数。如果用了ReLU，别犹豫，换成tanh。ReLU做PINN基本等于自断一臂。
5.2 边界条件失效与激波附近误差过大
边界条件不满足是很常见的问题。软约束方式下，网络有可能为了降低PDE残差而牺牲边界拟合。如果你发现边界附近误差始终压不下来，最简单的办法是加大边界损失的权重，比如把bcLoss乘上一个5到10的系数。
更彻底的办法是硬约束。比如Burger方程的边界条件是u(t,-1)=u(t,1)=0，可以在网络输出后面做一个仿射变换：
u_out = (1 - x)/2 * u_left(t) + (1 + x)/2 * u_right(t) + (1 - x^2) * u_net这样在x=-1处u_out自动等于u_left(t)，在x=1处自动等于u_right(t)，边界条件被严格满足，连边界损失项都可以去掉。这个技巧在很多PINN工程里非常实用，尤其适合边界条件比较简单的情况。
至于激波附近误差大，我的习惯是先增大采样点数量，并在激波轨迹附近加密采样。如果还不行，再把网络宽度往上加一档。同时可以把PDE残差中粘性项的权重适当调高，因为激波位置的二阶导数变化非常剧烈，网络需要更强的监督才能捕捉。
5.3 几个值得养成的调参习惯
最后分享几个我自己总结的调参习惯。
第一，每次训练固定随机种子。PINN对采样点和初始化很敏感，不固定随机种子，两次训练曲线完全不同，你会分不清是参数改好了还是运气问题。
第二，把各个损失分量分开打印。总loss不能说明任何问题，拆开看才定位得了瓶颈。
第三，先用简单case验证流程，再上难度。比如先跑ν=0.1的平滑解，确认整套代码没问题，再挑战ν=0.01的激波问题。不要一上来就挑战最难的配置，否则代码有bug你都分不清是bug还是网络能力不足。
第四，训练过程中定期保存模型。我经常遇到一个模型跑了很久，突然学习率没有调好，loss跳上去的情况。如果中途保存了较好的一次结果，至少不用全部重来。
第五，不要迷信网络越深越好。PINN的问题难点往往不在网络容量，而在采样策略、损失函数权重和学习率。加宽一档如果没用，优先检查损失函数的设计。
写到这里，说点我自己的实际体会。第一次在MATLAB里把PINN完整跑通时，我并没有立刻替换掉原来的CFD流程，而是把它当成“第二套工具”来用：传统数值方法继续负责高精度基准解，PINN负责快速预测、参数扫描和反问题。这种混合工作模式，比单纯争论某种方法的输赢要实用得多。如果你也准备在自己的项目里试PINN，我建议先用Burger方程把这条链路彻底走通，再决定要不要往Navier-Stokes方程上迁移。思路一通，后面的路会顺很多。
