一个例子让你入门PINN

PINN 入门笔记

前言

这段代码最重要的难点在于理解损失函数和物理方程残差的定义。看懂这里，你就入门了 PINN。

重点剖析

片段 1

def loss_func(self):
    u_pred = self.net_u(self.x_u, self.t_u)
    f_pred = self.net_f(self.x_f, self.t_f)
    loss_u = torch.mean((self.u - u_pred) ** 2)
    loss_f = torch.mean(f_pred ** 2)
    return loss_u + loss_f

问题提出

为什么这样定义损失函数呢？

解答

• x_f 和 t_f：它们是 X_f_train 的两列，而 X_f_train 是在 x，t 范围内随机生成的数据点。
• 关键点 1：
  1. 为什么随机点也能拿来做预测？
  2. 怎么判别预测的 u 结果准确呢？毕竟没有对应的 u。

这里依靠 u_pred = self.net_u(self.x_u, self.t_u) 和 loss_u，x，t 都有对应的 u，通过让模型学习把 loss 降到最小，预测更加准确，也就有了可以和随机生成点对应的 u。

• 关键点 2：为了让模型能够学习这个物理方程，引入了 loss_f，让模型学习把 loss_f 降到最小，使参数能够学习到物理方程的规律，两者相加（loss_u + loss_f）也就构成了 PINN。

片段 2

def net_f(self, x, t):
    u = self.net_u(x, t)
    u_t = torch.autograd.grad(u, t, grad_outputs=torch.ones_like(u), create_graph=True)[0]
    u_x = torch.autograd.grad(u, x, grad_outputs=torch.ones_like(u), create_graph=True)[0]
    u_xx = torch.autograd.grad(u_x, x, grad_outputs=torch.ones_like(u_x), create_graph=True)[0]
    f = u_t + u * u_x - self.nu * u_xx
    return f  # 方程的残差

解释

• net_f：计算方程的残差。
• 步骤：
  1. 计算 u_t：对 u 关于 t 的梯度。
  2. 计算 u_x：对 u 关于 x 的梯度。
  3. 计算 u_xx：对 u_x 关于 x 的梯度。
  4. 计算残差 f：u_t + u * u_x - self.nu * u_xx。