harmonic-oscillator-pinn实战教程如何用PyTorch自动微分求解微分方程的一阶与二阶导数【免费下载链接】harmonic-oscillator-pinnCode accompanying my blog post: So, what is a physics-informed neural network?项目地址: https://gitcode.com/gh_mirrors/ha/harmonic-oscillator-pinnharmonic-oscillator-pinn 是一个基于 PyTorch 的物理信息神经网络PINN开源实战项目。它围绕一维阻尼谐波振荡器微分方程手把手演示了如何利用 PyTorch 自动微分求解网络输出的一阶导数与二阶导数并把微分方程残差作为物理损失融入训练让神经网络学会完整解。 本文将从零讲清 PINN 的核心原理与关键代码非常适合刚接触用深度学习求解微分方程的初学者。什么是物理信息神经网络PINN先看一个直观比喻传统神经网络像背书只会记住训练数据附近的答案而物理信息神经网络PINN像学会了物理定律即使没见过某段数据也能根据方程外推出正确答案。本项目要求解的是物理中非常经典的一维阻尼谐波振荡器方程m·d²x/dt² μ·dx/dt kx 0这是一条随时间衰减的正弦曲线项目中取 δ2、ω₀20 生成精确解并把求解域设定为 x∈[0,1]。上图是 PINN 的训练过程动画绿色点代表物理损失采样位置神经网络蓝色曲线在这些位置被强制满足微分方程。因此即使训练数据橙色点只有左侧一小段蓝色预测曲线最终也能与灰色精确解高度重合。普通神经网络与PINN对比为什么需要物理约束先看普通神经网络的表现它的训练代码在项目核心文件 Harmonic oscillator PINN.ipynb 中普通神经网络只用均方误差MSE拟合 10 个橙色训练点训练到第 1000 步时蓝色预测曲线依然只能在数据附近正确远离数据的区域完全跑偏。这就是纯数据驱动的局限——数据稀疏时模型没有能力推理出物理规律。而 PINN 在数据损失之外额外引入物理损失本质是把微分方程本身变成监督信号让网络在没有数据的位置也遵守物理定律。✨ 两张动图对比物理约束的价值一目了然。快速上手conda 一键搭建 PINN 运行环境想复现项目非常简单先获取仓库git clone https://gitcode.com/gh_mirrors/ha/harmonic-oscillator-pinn环境搭建只需四行命令conda create -n pinn python3 conda activate pinn conda install jupyter numpy matplotlib conda install pytorch torchvision torchaudio -c pytorch装好后启动 Jupyter打开Harmonic oscillator PINN.ipynb按顺序运行所有单元格即可复现文中全部动图与训练结果。PyTorch自动微分实战求解一阶导数与二阶导数的核心代码这是本文的重点。PINN 之所以能检查神经网络是否满足微分方程全靠 PyTorch 自动微分autograd。微分方程里出现了 d²x/dt² 和 dx/dt分别对应神经网络输出的二阶导数与一阶导数求解只需两个torch.autograd.grad调用x_physics torch.linspace(0,1,30).view(-1,1).requires_grad_(True) yhp model(x_physics) dx torch.autograd.grad(yhp, x_physics, torch.ones_like(yhp), create_graphTrue)[0] # 一阶导数 dy/dx dx2 torch.autograd.grad(dx, x_physics, torch.ones_like(dx), create_graphTrue)[0] # 二阶导数 d²y/dx²三个要点帮你彻底理解这段 PyTorch 自动微分代码requires_grad_(True)让输入张量 x_physics 进入计算图这是求导的前提grad 的返回值torch.autograd.grad返回梯度元组[0]取出第一个元素即我们需要的导数create_graphTrue最关键表示为这次求导过程再建一张计算图这样一阶导数 dx 仍保留在计算图中二阶导数 dx2 才能继续对 dx 求导实现导数套导数。如果去掉它dx 会与计算图断开二阶导数将无法计算。30 个物理采样点均匀分布在求解域 [0,1] 上正好覆盖数据缺失的右半段区域。PINN损失函数设计把微分方程写进训练目标有了导数就可以计算微分方程残差residual并把它变成损失physics dx2 mu*dx k*yhp # 微分方程残差理想情况下应为 0 loss2 (1e-4)*torch.mean(physics**2) # 物理损失 loss loss1 loss2 # 数据损失 物理损失loss1数据损失均方误差约束网络在 10 个观测点附近与真实解一致loss2物理损失让网络在 30 个物理采样点上满足 m·d²x/dt² μ·dx/dt kx 0系数 1e-4 用于平衡两类损失的尺度。反向传播时loss.backward()会把两类误差信号同时传回网络训练 20000 步后PINN 就外推出了完整的衰减振荡解——这正是物理信息神经网络最迷人的地方用物理定律弥补数据的不足。实战总结与进阶建议对比维度普通神经网络PINN训练数据10 个点10 个点额外约束无微分方程残差解的覆盖范围仅数据附近整个求解域训练步数100020000总结harmonic-oscillator-pinn 用最简代码展示了 PINN 的核心链路——PyTorch自动微分求一阶导数与二阶导数 → 计算微分方程残差 → 物理损失与数据损失联合训练。掌握了torch.autograd.grad与create_graphTrue的用法你就能把整套方法迁移到更复杂的偏微分方程PDE求解场景。想深入理解原理强烈建议亲自跑一遍 Harmonic oscillator PINN.ipynb把 δ、ω₀、采样点数、损失权重等参数改一改观察训练动画的变化。动手调参是理解物理信息神经网络最快的方式。【免费下载链接】harmonic-oscillator-pinnCode accompanying my blog post: So, what is a physics-informed neural network?项目地址: https://gitcode.com/gh_mirrors/ha/harmonic-oscillator-pinn创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
