WARNING
🧪 Beta公测版本提示:教程主体已完成,正在优化细节,欢迎大家提Issue反馈问题或建议。
as08 AI4S 综合与前沿 — demo.py 代码详解
运行方式
bash
cd docs/science/frontier/code
python demo.py依赖 PyTorch(CPU 即可),约十几秒完成。
代码逐段详解
第1步:时间线与雷达图
plot_timeline() 与 plot_method_radar() 分别绘制本系列涉及的关键节点,以及五类方法在五个维度上的主观定性对比。雷达图评分是教学用的直觉打分,不是严格评测。
第2步:训练极简代理模型
python
class TinySurrogate(nn.Module):
def forward(self, a):
return self.net(a) # (B, 1) -> (B, N_GRID)用一个小型 MLP 学习"参数
第3步:黑盒网格搜索 vs 梯度逆向设计
python
def blackbox_grid_search(...):
for a in a_candidates: # 枚举,不使用梯度
pred = model(torch.tensor([[a]]))
err = mean((pred - u_target)^2)
def gradient_inverse_design(...):
a = torch.tensor([[a_init]], requires_grad=True)
for step: # 对 a 本身做梯度下降
loss = mean((model(a) - u_target)^2)
loss.backward(); optimizer.step()核心对比与边界。 网格搜索在指定区间枚举候选;梯度方法利用可微代理的局部导数,但不保证找到全局最优或比网格搜索更准确。当前梯度例子没有区间投影,可能离开训练范围;此时低代理误差也不保证真实 PDE 误差低,应将最终参数代回数值求解器核验。
令
这里记录的是梯度更新步数,每步包括前向与反向,此外还有一次最终前向核验;它与网格搜索的纯前向次数不是等成本指标。高维网格搜索的组合数量增长很快,但梯度方法的单步成本也取决于模型规模与导数计算,不能说与维度完全无关。
NOTE
2026-10-08:已修复返回参数与最终 MSE 的错位。本次未重跑逆向设计;现有图和耗时未作运行验证。
关键概念速查表
| 概念 | 一句话解释 | 代码位置 |
|---|---|---|
| 代理模型 | 把"参数→输出"学成可微的神经网络 | TinySurrogate |
| 黑盒搜索 | 只能采样评估,不能求导 | blackbox_grid_search() |
| 可微逆向设计 | 直接对设计参数做梯度下降 | gradient_inverse_design() |
源码位置
clone 后打开(相对仓库根目录):
docs/science/frontier/code/demo.py