Skip to content

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 ​

Download demo.py

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 a → 整条解曲线 u(x)"的映射(as04 变系数扩散问题的简化版)。这不是严格的算子网络,但足以支撑本节演示"对代理模型做梯度下降"这个核心思想。

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 J(a)=mean[(u^(a)−utarget)2]。每轮先算 J(at),再由 Adam 更新到 at+1。因此返回最终 aT 时必须重新前向计算 J(aT),不能直接返回历史数组最后一项 J(aT−1)。损失曲线保留更新前的训练轨迹,终端的最终 MSE 对应更新后的参数。

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