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。

as04 PINO — demo.py 代码详解 ​

Download demo.py

运行方式 ​

bash
cd docs/science/pino/code
python demo.py

CPU 即可;完整对比(含 4 个 PINN 实例)大约 1–3 分钟。

代码逐段详解 ​

第1步:问题定义 —— 变系数扩散方程族 ​

python
k_a(x) = 1 + a * sin(pi * x)
f(x)   = sin(pi * x)
# 求 -(k u')' = f, u(0)=u(1)=0

solve_variable_coeff_poisson(a) 用二阶有限体积格式组装三对角矩阵并 np.linalg.solve,得到该离散方程的数值解(仍有空间离散误差,不是连续 PDE 的精确解)。后面 PINO 的可微残差使用同一套离散,避免「训练残差」和「评估真值」说的不是同一种物理。

第2步:PINN 基线(逐实例) ​

PINN 是输入 x、输出 u(x) 的 MLP。train_pinn_for_a 用 torch.autograd.grad 求 u′、u″,代入展开后的残差

−(k′u′+ku″)−f=0

已知的 k 与 k′ 从 x_interior.detach() 计算,作为固定系数复用;u′、u″ 仍每轮从可求导的 x_interior 重新构图。这样不会在第二轮反传时访问已释放的系数计算图。

为什么这里可以 detach? 先用乘积法则展开 −∂x(ka∂xuθ)−f=−ka′(x)∂xuθ−ka(x)∂xxuθ−f(x). 本例优化的是网络参数 θ,a 与配点 xi 固定,所以求 ∂θL 时 ka(xi)、ka′(xi) 都是常数。detach 只断开系数计算的图,不断开网络的高阶导数图。如果改成直接对 ka(x)uθ′(x) 再求 x 导数,或把 a 当成逆问题的待优化参数,就不能照搬这个 detach。

边界损失单独约束 u(0)=u(1)=0。每个测试 a 都从 SEED=42 重新初始化;这控制了初始化差异,不保证不同范式的算力成本或最终精度相同。

第3步:共享的 FNO-lite 算子 ​

SpectralConv1d:FFT → 只保留低频 modes 个模态 → 可学习复数线性混合 → IFFT。
FNO1d:升维 → 若干「谱卷积 + 1×1 卷积」残差块 → 降维。
输入通道是 (k(x),x),输出是 u^(x)。

第4步:PINO = 同一网络 + 物理损失 ​

python
loss = loss_data + (0.1 * loss_pde + 1.0 * loss_bc if use_physics else 0.0)
  • use_physics=False, n_labeled_use=3 → FNO-few
  • use_physics=False, n_labeled_use=11 → FNO-full
  • use_physics=True, n_labeled_use=3 → PINO

pde_residual_and_bc 在半网格点上构造通量差,与数值求解器一致。

第5步:评估与可视化 ​

在 a∈{1.5,2.5}(插值)和 {3.4,4.0}(外推)上比较相对 L2 误差,并画出:

文件内容
as04-01-pino-idea.png三种范式概念图
pino_comparison.png预测曲线
pino_error_and_cost.png误差 + 上线耗时
pino_training_loss.png算子训练损失

WARNING

2026-10-08:已修复 PINN 基线的跨轮计算图复用。本次为静态审查,尚未重跑训练或刷新上述结果图;现有图中的误差与耗时不能视为修复后代码的验证结果。

关键概念速查表 ​

概念含义代码位置
算子学习学 k↦u,而非单个 u(x)FNO1d
数据损失只在标注 a 上监督train_operator
PDE 残差无标签 a 也能提供梯度pde_residual_and_bc
外推测试 a 超出训练范围A_TEST 中 >3 的点

源码位置 ​

clone 后打开(相对仓库根目录):

docs/science/pino/code/demo.py