as04 PINO：物理信息神经算子

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。

上一章我们学了 FNO（Fourier Neural Operator）：一次训练、终身推理，把「系数场 / 源项 → 解」学成一个算子。再往前一章是 PINN：不需要标注数据，但每个新参数实例都要重新训练。

本章的主角 PINO（Physics-Informed Neural Operator） 回答的问题是：

能不能既像 FNO 一样「学一次用一生」，又像 PINN 一样把 PDE 残差写进损失函数，从而少用标注数据？

答案是可以——而且这正是科学机器学习里最实用的折中之一。

---

1. 三种范式：一张图看清差异

方法	学什么	需要标签？	新参数 $a$ 到来时	核心代价
PINN	单个解 $u_a(x)$	否（用 PDE 残差）	重新训练	上线慢
FNO	算子 $G_{\theta }:a\mapsto u_a$	是（大量 $(a,u_a)$）	一次前向	标注贵
PINO	同一个算子 $G_{\theta }$	少量标签 + 大量无标签实例上的 PDE 残差	一次前向	实现稍复杂

图解说明：PINN 只学单个解（换参数要重训）；FNO 学算子但依赖大量 $(a,u)$ 标签；PINO 在同一算子网络上叠加 PDE 残差，用少量标签 + 无标签物理约束降低标注成本，推理仍是一次前向。

直觉一句话：

• PINN = 物理老师（没有标准答案，靠方程批改作业），但每个学生单独上课；
• FNO = 题海战术（刷大量标准答案），训好后秒答新题，但没题就学不动；
• PINO = 题海 + 物理老师：少量标准答案定锚，其余用方程批改——标注需求大幅下降。

---

2. 本章实验问题：一维变系数扩散（Darcy 风格）

我们采用 FNO / PINO 文献里常见的 Darcy 流 简化版——一维变系数扩散方程：

$$-\frac{d}{dx}(k_a(x)\frac{du}{dx})=f(x),x\in [0,1],u(0)=u(1)=0$$

其中扩散系数（「渗透率」）由标量参数 $a$ 控制：

$$k_a(x)=1+a\sin (\pi x),f(x)=\sin (\pi x)$$

为什么选这个方程？

1. $a$ 非线性地进入系数 $k$，而不是简单地缩放解——「参数 → 解」是真正的非线性算子；
2. 有标准的二阶有限体积离散，可与 PINO 的可微残差完全对齐；
3. 一维、小规模，CPU 上几分钟就能跑完对比实验。

ground truth $u_a$ 没有简单解析式，我们用有限体积组装三对角矩阵后直接线性求解，作为数值精确解。

---

3. PINO 的损失函数

设算子网络为 $G_{\theta }$，输入扩散系数场 $k_a$，输出预测解 ${\hat{u}}_a=G_{\theta }(k_a)$。PINO 的训练损失是两项之和：

$${\mathcal{L}}_{\mathrm{PINO}}=\underset{\text{数据损失（少量标注）}}{\underbrace{\frac{1}{|{\mathcal{A}}_{\mathrm{lab}}|}\sum _{a\in {\mathcal{A}}_{\mathrm{lab}}}\parallel {\hat{u}}_a-u_a{\parallel }^2}}+\lambda \underset{\text{PDE 残差（全部实例，无需标签）}}{\underbrace{\frac{1}{|\mathcal{A}|}\sum _{a\in \mathcal{A}}\parallel R({\hat{u}}_a;k_a,f){\parallel }^2}}$$

其中残差算子 $R$ 就是离散形式的 PDE：

$$R(\hat{u};k,f)=-\mathrm{\nabla }\cdot (k\mathrm{\nabla }\hat{u})-f$$

再加边界条件惩罚 $\hat{u}(0{)}^2+\hat{u}(1{)}^2$。

本 demo 数字（与代码一致）： 网格 $N=65$ 点均分 $[0,1]$；$a\in [1,3]$ 上等距 $11$ 个训练参数；测试 $a=1.5,2.5$（插值）与 $3.4,4.0$（外推）。FNO-few / PINO 只用 $3$ 个标注 $a$（首、中、尾）；FNO-full 用全部 $11$ 个。PINN 每个测试 $a$ 单独训 $1200$ epoch。算子网络 modes=8、width=16、n_layers=2，训 $1200$ epoch，lr=3e-3。物理项权重：${\lambda }_{\mathrm{PDE}}=0.1$，${\lambda }_{\mathrm{BC}}=1.0$。种子 42。

关键洞察：对没有标签的参数 $a$，我们仍然知道 $k_a$ 和 $f$，因此仍能计算残差——物理先验把「无标签实例」变成了可用的训练信号。

逐步推导：变系数扩散的有限体积残差，以及 PINO 损失两项从哪来（点击展开）

方程 $-(k{u}^{\prime }{)}^{\prime }=f$。有限体积：在半点取 $k_{i+1/2}=(k_i+k_{i+1})/2$，通量 $F_{i+1/2}=-k_{i+1/2}(u_{i+1}-u_i)/\mathrm{\Delta }x$。内部点离散成三对角

$$\frac{k_{i-1/2}+k_{i+1/2}}{\mathrm{\Delta }{x}^2}{u}_i-\frac{k_{i-1/2}}{\mathrm{\Delta }{x}^2}{u}_{i-1}-\frac{k_{i+1/2}}{\mathrm{\Delta }{x}^2}{u}_{i+1}=f_i,$$

两端 $u_0=u_{N-1}=0$。solve_variable_coeff_poisson 用这套矩阵当 ground truth；pde_residual_and_bc 必须用同一套 stencil，否则「物理损失」在改另一个方程。

PINO：$\hat{u}=G_{\theta }(k)$。数据项只在 $3$ 个已求解的 $a$ 上算 $\parallel \hat{u}-u{\parallel }^2$。残差项对全部 $11$ 个 $a$ 算 $\parallel R(\hat{u};k,f){\parallel }^2$，外加边界平方。总损失

$$\mathcal{L}={\mathcal{L}}_{\mathrm{data}}+0.1{\mathcal{L}}_{\mathrm{PDE}}+1.0{\mathcal{L}}_{\mathrm{BC}}.$$

无标签的 $a$ 没有 $u$，但有 $k$ 和 $f$，残差照样能回传——这就是「用方程换数据」。外推 $a=4.0$ 时 $k$ 仍由同一公式生成，PDE 约束还在，所以 PINO 往往比只看 $3$ 个标签的 FNO-few 稳。$\lambda$ 太大残差主导、拟合标注变差；太小则退回 FNO-few。$0.1$ 是这套一维玩具的工作点，不是普适常数。

逐步推导：为什么 $k_a=1+a\sin (\pi x)$ 让「$a\mapsto u$」是非线性算子（点击展开）

若方程是 $-u^{″}=a(x)$（常系数 Poisson），$a\mapsto u$ 是线性的：源项加倍，解加倍。本章是 $-(k_a{u}^{\prime }{)}^{\prime }=f$，源项 $f$ 固定，$a$ 进了系数 $k$。叠加 $a_1+a_2$ 并不给出 $u_{a_1}+u_{a_2}$，因为微分算子本身在变。这才需要学一个非线性算子网络，而不是「对 $f$ 做一次除以 $(k\pi {)}^2$」。有限体积矩阵 $A(k)$ 依赖于 $a$，解 $u=A(k{)}^{-1}b$ 对 $a$ 也不是线性的。PINO 用同一套 $A(k)$ 写残差，保证数据和物理在描述同一件事。

---

4. 实验设计：四个对照

模型	标注 $a$ 数量	是否用 PDE 残差	期望行为
PINN	0（逐实例）	✓	精度尚可，但每个新 $a$ 都要重训
FNO-few	3	✗	插值尚可，外推崩
FNO-full	11	✗	数据充足时很强，但标注贵
PINO	3	✓	标注量同 FNO-few，外推逼近 FNO-full

训练范围：$a\in [1,3]$（11 个等距点）。
测试：$a=1.5,2.5$（插值）与 $a=3.4,4.0$（外推）。

保姆级：插值 vs 外推。 $a=1.5$ 夹在训练网格里，纯数据模型也常常能蒙对。$a=4.0$ 已经跑出 $[1,3]$，FNO-few 没见过那么强的渗透率对比，曲线会歪；PINO 仍要求 $-(k{\hat{u}}^{\prime }{)}^{\prime }\approx f$，等于在参数轴上用方程「填缝」。这不是万能外推：方程写错或离散不一致时，残差会把模型推向错误物理。

---

5. 结果怎么读

运行 python demo.py 后会生成三张图：

你应该观察到：

1. PINN 每个测试 $a$ 都要单独训几千步——上线成本是秒～十秒级，而算子方法是毫秒级前向；
2. FNO-few 在训练范围内还行，一出范围（$a>3$）误差迅速增大；
3. PINO 用同样 3 个标注 + 物理残差，外推明显好于 FNO-few，接近甚至局部超过数据更多的 FNO-full；
4. 这不是说「永远不需要数据」——物理残差的离散格式、权重 $\lambda$、边界处理都会影响效果；PINO 的价值是：在标注昂贵时，用已知 PDE 换数据。

---

6. 和 PINN / FNO 的公式级对照

PINN（固定 $a$）：

$$\underset{\theta }{min}\frac{1}{N}\sum _i\parallel R(u_{\theta }(x_i);k_a,f){\parallel }^2+\text{BC}$$

FNO（数据驱动算子）：

$$\underset{\theta }{min}\frac{1}{|{\mathcal{A}}_{\mathrm{lab}}|}\sum _a\parallel G_{\theta }(k_a)-u_a{\parallel }^2$$

PINO（两者相加）：

$$\underset{\theta }{min}{\mathcal{L}}_{\mathrm{data}}+\lambda {\mathcal{L}}_{\mathrm{PDE}}$$

网络骨架可以继续用 FNO 的谱卷积层；PINO 改的是损失，不是必须换架构。这也是它落地成本低的原因：已有 FNO 代码库往往只需加一个可微残差模块。

---

7. 何时用 PINO？

场景	更合适的选择
只要求解一个固定 PDE 实例	PINN / 传统数值方法
有海量高精度仿真数据、方程复杂难写残差	纯数据 FNO / DeepONet
要覆盖一整个参数族，但标注仿真很贵	PINO
方程形式不完全可信（模型误差大）	降低 $\lambda$，或改用弱形式 / 观测残差

工业界常见做法：用少量高保真仿真做数据锚点，再用 PDE（或低保真物理）在参数空间里「填缝」——这就是 PINO 思想的工程版。

---

本章总结

• PINO = 神经算子 + PDE 残差损失，同时继承 FNO 的快速推理和 PINN 的物理先验；
• 核心收益是降低标注需求、改善外推，尤其在参数族求解场景；
• 实现要点：残差离散必须与 ground truth 求解器一致（本章用同一套有限体积格式），并仔细调节 $\lambda$。

下一章我们将进入另一条 AI4S 主干——科学计算中的图神经网络（GNN）：把分子、网格、粒子都看成图，用消息传递统一处理。

---

📥 Code

File	View	Download
demo.py	Open	Download
exercise.py	Open	Download

参考

1. Li, Z., et al. (2021). Physics-Informed Neural Operator for Learning Partial Differential Equations. [arXiv:2111.03794]
2. Li, Z., et al. (2020). Fourier Neural Operator for Parametric Partial Differential Equations. ICLR 2021. [arXiv:2010.08895]
3. Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks. JCP. [doi:10.1016/j.jcp.2018.10.045]