PINN解1D亥姆霍兹方程：用物理信息神经网络替代网格仿真

简介基于MATLAB的物理信息神经网络PINN求解一维亥姆霍兹方程资源包面向具备数值计算和深度学习基础的研究者与工程师适用于声学、电磁学及量子力学中的频域波动问题。资源共10个.m文件压缩包约5KB代码量虽小但流程完整涵盖参数向量化转换、网络结构构建、损失函数定义、参数初始化以及L-BFGS优化调用等关键环节。main.m作为程序入口整合各模块buildNet.m搭建网络层与激活函数modelLoss.m和objectiveFunction.m分别负责物理残差与边界条件惩罚项及整体优化目标initializeHe.m等文件提供初始化策略用户可直接运行并修改扩展。已有313人学习下载适合希望快速上手PINN求解偏微分方程、对比传统数值离散方法的MATLAB用户。通过这套代码可系统理解PINN的建模思路与工程实现细节为后续求解复杂波动方程或拓展至高维问题奠定基础。1. 从网格依赖到无网格优化PINN 解 1D 亥姆霍兹方程到底解决了什么做声学仿真或电磁场计算的人对 1D 亥姆霍兹方程都不陌生它本质上是频域波动方程描述声压或电场在单一方向上的分布。传统做法是用有限元或有限差分把求解域切成网格组装刚度矩阵然后解一个大型稀疏线性方程组。这套流程成熟、稳定但有一个绕不开的痛点网格质量直接决定结果精度而高频工况下网格要加密到让人肉疼的程度。更麻烦的是一旦边界形状或材料参数变了网格得重新划分整套矩阵组装流程也跟着重来。PINN物理信息神经网络的思路完全反过来——它不切网格而是把一个满足方程和边界条件的函数用神经网络来表示。训练过程中损失函数直接包含方程残差和边界条件残差通过自动微分计算导数把偏微分方程求解变成一个优化问题。这个做法天然适合 MATLAB 中的深度学习工具箱因为你只需要定义网络结构、拼损失函数、调优化器剩下的事交给计算图。这篇笔记面向两类人一类是有 MATLAB 基础、想用 PINN 做快速原型验证的工程师另一类是正在调研PINN 在频域问题里到底能不能打的研究者。我会先从理论层面把损失函数的设计逻辑讲清楚再给出一个可直接运行的 1D 亥姆霍兹方程求解代码最后把我的踩坑经历和调参策略一并交代。这篇文章不是科普是我实际跑通过一遍之后沉淀下来的完整落地方案。2. 从强形式到弱形式PINN 如何把亥姆霍兹方程变成损失函数2.1 为什么选残差形式而不选变分形式传统有限元处理亥姆霍兹方程用的是弱形式两边乘测试函数、分部积分、引入边界条件。PINN 不这么做它直接把微分方程在配点上的残差当成损失项来最小化。这个选择有实际理由弱形式需要积分计算而 PINN 的损失函数在数学上可以写成一个期望值用采样点求和来近似如果写成残差平方和连积分都不用算直接对配点的导数做数值求值即可。具体来说考虑如下 1D 亥姆霍兹方程[ \frac{d^2 u}{dx^2} k^2 u f(x), \quad x \in [0, L] ]边界条件取 Dirichlet 型(u(0)a, u(L)b)。这里的 (k) 是波数代表物理频率参数。PINN 的做法是把 (u(x)) 用神经网络 (u_\theta(x)) 代替其中 (\theta) 是网络的权重和偏置。损失函数分成两部分[ L \lambda_{PDE} \cdot \frac{1}{N_P} \sum_{i1}^{N_P} \left| \frac{d^2 u_\theta(x_i)}{dx^2} k^2 u_\theta(x_i) - f(x_i) \right|^2 \lambda_{BC} \cdot \left( |u_\theta(0)-a|^2 |u_\theta(L)-b|^2 \right) ]第一项是方程残差逼迫网络在内部配点上满足原方程第二项是边界残差逼迫网络在端点满足边界条件。(\lambda_{PDE}) 和 (\lambda_{BC}) 是权重系数用来平衡两项的量级差异。这是 PINN 里最重要的超参数之一我后面会专门讲。2.2 为什么边界条件权重不能随便设理论上只要权重大于零优化最终都能收敛。但实践中边界权重大小直接决定收敛速度和精度。原因很简单方程残差是一个分布式的约束分布在所有内部点上而边界残差只约束两个点。如果边界损失太小网络会优先把内部残差压到很小但边界处的值可能偏离很远反过来如果边界损失太大内部方程可能被牺牲物理正确性没有保障。在我的实验中一个典型的翻车现象是边界残差降到了 (10^{-6}) 以下看着很漂亮但画出解曲线后中间区域的波动形态跟解析解明显对不上。这说明 PDE 残差和边界残差之间的平衡被打破了。常见做法是先固定 (\lambda_{PDE}1)然后按边界项的数量和内部配点数目的比值来缩放 (\lambda_{BC})。1D 情况下边界只有两个点我会把 (\lambda_{BC}) 设在 1 到 10 之间具体数值要通过少量试跑来确定。另外要提一点PINN 求解亥姆霍兹方程和求解扩散方程的一个显著区别是亥姆霍兹方程的解带有振荡特性。波数 (k) 越大解的空间振荡越快网络需要越深越宽才能拟合出这种快速变化。换句话说PINN 对亥姆霍兹方程的能力边界受制于网络容量和配点密度的双重限制不是所有频率都能轻松突破的。3. 用 MATLAB 搭建最小可复现的 PINN从网络定义到训练循环3.1 MATLAB 中的深度学习工具箱怎么选网络结构MATLAB 从 R2019b 之后推出了一整套用于自定义训练循环的 API包括dlnetwork、dlarray、extractdata等。对于 PINN 这种需要在损失函数里计算二阶导数的场景我们不走trainNetwork这条路因为那个接口不允许自定义损失函数。正确做法是用dlnetwork定义网络然后在dlfeval里调用自定义函数用dlgradient计算梯度。网络结构方面我测试过两种方案全连接网络和带残差连接的全连接网络。对于 1D 亥姆霍兹方程全连接网络已经足够只要能保证足够的宽度和深度即可。为了处理二阶导数激活函数必须至少二阶可导所以 ReLU 这类分段线性激活函数不能用。我建议用tanh它在整个定义域上无限光滑且导数计算稳定。下面是搭建加训练的关键代码% 定义网络输入维度1坐标x输出维度1解u3个隐藏层每层64个神经元 layers [ featureInputLayer(1, Normalization, none) fullyConnectedLayer(64) tanhLayer fullyConnectedLayer(64) tanhLayer fullyConnectedLayer(64) tanhLayer fullyConnectedLayer(1)]; net dlnetwork(layers);这段代码的核心是featureInputLayer(1)定义单个坐标输入fullyConnectedLayer加tanhLayer反复堆叠最后输出一个标量。选择 64 个神经元和 3 个隐藏层是我在波数 (k) 不超过 20 的情况下测试出来的合理配置既能拟合振荡解又不会让训练太慢。如果你的波数更大建议把隐藏层加到 4 到 5 层宽度加到 128。3.2 训练循环ADAM 起步L-BFGS 收尾损失函数需要计算网络输出对输入的二阶导数。MATLAB 提供dlgradient能自动完成这件事不需要你手推链式法则。关键点在于dlgradient只能在dlfeval的上下文里调用而且必须在一个自定义函数内部完成前向传播和梯度计算。下面是核心的损失函数定义function [loss, grads] modelLoss(net, x, x0, u0, xL, uL, k) % 前向传播预测内部点和边界点的解 u forward(net, x); % 内部点预测值 u0_pred forward(net, x0); % 左边界预测值 uL_pred forward(net, xL); % 右边界预测值 % 计算一阶导数和二阶导数 du dlgradient(u, x); % 一阶导数 d2u dlgradient(du, x); % 二阶导数 % PDE残差亥姆霍兹方程 d2u/dx2 k^2*u 0这里取齐次形式 fPDE d2u k^2 * u; lossPDE mean(fPDE.^2, all); % 边界残差 lossBC mean((u0_pred - u0).^2, all) mean((uL_pred - uL).^2, all); % 总损失lambda_BC 设为 5 loss lossPDE 5 * lossBC; % 计算网络参数梯度 grads dlgradient(loss, net.Learnables); % 为了后续绘图把数值取出来 loss extractdata(loss); end这个函数的关键数学逻辑在fPDE d2u k^2 * u这一行它就是把偏微分方程的左边直接用网络输出的导数表示出来。如果方程有源项比如右边不是零而是 (f(x))就在这里做一个减法。训练时不需要extractdata特别早因为dlgradient需要在dlarray类型上操作但最后取出来是为了方便打印 loss 值。接下来是训练循环本身。这里有一个值得注意的细节PINN 训练通常先用 ADAM 做几百轮粗调再用 L-BFGS 精修。原因在于ADAM 的收敛虽然稳定且不容易发散但到最后阶段往往在某个精度附近徘徊L-BFGS 作为二阶优化方法可以在接近解的区域快速收敛精度高一个量级。不过MATLAB 的dlfeval配合 L-BFGS 有一点坑你需要手动把net.Learnables拼成一个向量然后让优化器在这个向量上迭代。下面给出 ADAM 阶段的训练代码% 采样配置点内部点1000个边界点各1个 numInternal 1000; x dlarray(linspace(0, 1, numInternal), BC); x0 dlarray(0, BC); xL dlarray(1, BC); u0 0; uL 0; % 齐次Dirichlet边界 k 10; % 波数 % 初始化ADAM优化器参数 trainParams struct(); trainParams.learnRate 0.001; trainParams.gradientDecayFactor 0.9; trainParams.squaredGradientDecayFactor 0.999; trainParams.epsilon 1e-8; averageGrad []; averageSqGrad []; % 训练1500轮 numEpochs 1500; for iter 1:numEpochs [loss, grads] dlfeval(modelLoss, net, x, x0, u0, xL, uL, k); [net, averageGrad, averageSqGrad] adamupdate(net, grads, averageGrad, averageSqGrad, iter, trainParams); % 每100轮打印一次loss if mod(iter, 100) 0 fprintf(Iter %d, Loss: %.6e\n, iter, loss); end end这里adamupdate是 MATLAB 深度学习工具箱自带函数不需要手动实现动量项。配置点的数量numInternal 1000在 1D 问题里已经足够因为求解域被 1000 个点覆盖平均间距只有千分之一足以分辨波数 10 对应的振荡波长。如果你把波数调到 30 以上配点密度就得相应增加至少 2000 到 3000 个。3.3 用解析解做验证算完必须做的一件事光看 loss 降到多少没有意义因为 loss 值只代表你在加权意义上同时满足了 PDE 残差和边界残差不代表解本身是物理正确的。对于 1D 齐次亥姆霍兹方程解析解可以写出来形式是[ u(x) A\sin(kx) B\cos(kx) ]通过边界条件 (u(0)0, u(1)0) 可以推出 (B0)且 (k) 必须满足 (\sin(k)0)也就是说 (k) 必须是 (\pi) 的整数倍。为了让解析解存在且匹配零边界条件下面验证代码中把波数设为 (k\pi)这时候解析解是 (\sin(\pi x))。对比代码% 解析解k pi时u(x) sin(pi * x) x_plot linspace(0, 1, 200); u_exact sin(pi * x_plot); u_pred extractdata(forward(net, dlarray(x_plot, BC))); % 最大绝对误差 err max(abs(u_pred - u_exact)); fprintf(Max error: %.6e\n, err); % 绘图对比 figure; plot(x_plot, u_exact, k-, LineWidth, 1.5); hold on; plot(x_plot, u_pred, r--, LineWidth, 1.5); legend(Exact: sin(pi*x), PINN prediction); xlabel(x); ylabel(u(x)); grid on;这段代码里我把网络在 200 个均匀点上的预测值和解析解做了一次性的最大绝对误差评估。如果你的输出曲线能跟解析解重合且最大误差在 (10^{-3}) 量级以下恭喜你PINN 的训练是成功的。测完这一步再谈优化和扩展才有意义。4. PINN 解亥姆霍兹方程的避坑指南5 个踩过的具体问题4.1 激活函数选 ReLU二阶导数恒为零训练直接下不去痛点现象训练开始时 loss 值非常大但迭代几百轮之后 loss 不再下降而且画出预测曲线是一条直线。原因分析ReLU 激活函数的一阶导数在正区间是常数 1负区间是常数 0二阶导数处处为 0除了不可导点。而亥姆霍兹方程的 PDE 残差里包含二阶导数项 (d^2u/dx^2)这个项直接归零导致网络无法通过优化来拟合方程的振荡行为。PINN 的物理机制被激活函数切断了。解决办法改用二阶可导的光滑激活函数。深度学习中可用的选项有tanh、sin、sigmoid。在亥姆霍兹方程这种振荡问题里sin激活函数反而有天然优势因为它的导数仍然是cos再来一次还是sin不会产生梯度消失。但我建议优先用tanh原因在于它的输出有界且训练稳定后续调起来不容易出幺蛾子。4.2 边界条件权重太小方程对了但边界不闭合痛点现象PDE 残差降得很低边界残差在 (10^{-2}) 量级徘徊不下去最终预测曲线两端跟边界值差一截。原因分析我最初把 (\lambda_{PDE}) 和 (\lambda_{BC}) 都设成 1想着平等对待。但在优化过程中PDE 残差有 1000 个配点做支撑梯度贡献大边界残差只有 2 个点在总损失中占比太小梯度被淹没。优化器认为降低 PDE 残差的性价比更高于是边界被牺牲了。解决办法把边界权重调大我最终使用 (\lambda_{BC}5) 到 10 之间能有明显改善。另外一个更工程化的技巧是使用边界条件硬编码对于 1D 问题你可以把网络输出改写成 (u_\theta(x) g(x) (x-x_0)(x-x_L)\cdot N_\theta(x))这样无论如何网络输出在边界上都自动满足零边界条件根本不用加边界损失项。不过这种方式在边界条件不是零时稍微绕一点需要构造一个额外的插值函数。4.3 波数加大之后怎么调都不收敛痛点现象把波数从 (\pi) 调到 (8\pi)同样的网络结构和配点数loss 怎么降都降不到合理范围预测曲线振荡保数不对幅值也偏。原因分析波数增大意味着解的振荡频率变快网络需要更高的频率表达能力。标准的全连接网络偏向于学习低频分量对高频分量天然钝感这是所谓的谱偏置。另一个限制是配点间距1000 个点均匀分布在 0 到 1 之间对于波长 (2\pi/(8\pi)0.25) 来说每个波长只有 4 个点网络根本没有足够的信息来分辨振荡。解决办法双管齐下。把配点加到 3000 以上同时把网络从 3 层 64 宽改成 5 层 128 宽。如果还不行就引入 Fourier 特征映射把输入 (x) 映射成 (\sin(2\pi f x)) 和 (\cos(2\pi f x)) 的组合让网络在输入层就具备高频信息。MATLAB 实现这个很简单就是在featureInputLayer前手动构造扩展特征% Fourier特征映射把原始坐标映射到多尺度正弦/余弦特征 freqs [1, 2, 4, 8, 16]; % 频率集合波数越大频率越高 x_feat [sin(2*pi*x.*freqs), cos(2*pi*x.*freqs)];这段代码的逻辑是把原来的单一坐标输入变成 10 维特征向量网络需要从这 10 个特征里学习解的模式。Fourier 特征映射是解决 PINN 高频问题最有效的杀手锏之一代价是输入维度变高、训练时间增加。4.4 训练前期 loss 下降很猛后期陷入平台期痛点现象前 500 轮 loss 从 (10^0) 降到 (10^{-3})然后 1000 轮过去几乎不动无论怎么调学习率都突破不了。原因分析这是 ADAM 优化器的通病它对参数的更新量级有自适应性越到收敛后期有效步长越小。加上 PINN 损失函数是一个多目标优化PDE 残差和边界残差两个目标在接近最优解时可能存在冲突ADAM 找不到一个能同时再下降两个目标的方向。解决办法换优化器。2023 年之后的 MATLAB 版本已经通过dlfeval和fmincon或者fminunc提供了和 L-BFGS 对接的路径。你只需要把网络的可学习参数提取成一个向量在fminunc的迭代中不断更新网络参数即可。这个切换通常能把最终误差再压一个量级。4.5 随机种子不同结果差异大同一套代码跑两次精度波动明显痛点现象同样的代码同样的超参数只是重启 MATLAB 或者换台电脑最终误差在 (10^{-3}) 到 (10^{-5}) 之间随机波动。原因分析网络初始化的随机权重决定了损失曲面的起点进而影响优化收敛到的局部最优。PINN 的损失函数面是非凸的存在大量局部极小值点不同初始化会走向不同结果。这是这类方法的固有特性无法彻底消除。解决办法工程上采用多轮独立实验取最优的策略。写一个外层循环用不同的rng种子初始化网络训练 5 次取最终误差最小的模型作为输出。每一轮的训练时间在 1D 问题上通常只有几十秒所以多跑几轮完全可接受。这是做 PINN 必加的后悔药没有它就不要向别人汇报你的收敛结果。5. 进阶验证与技巧把 PINN 当 PDE 求解器的最后一公里PINN 的优势不是单点解算而是一次训练多参数复用。以亥姆霍兹方程为例如果波数 (k) 是可变参数你完全可以把 (k) 也作为网络输入让网络学习不同波数下的解族。这样当工程中需要在多个频率下评估响应时不需要重新训练一次前向传递就能得到任意 (k) 对应的解。这个思路在 MATLAB 中实现起来不算复杂——把网络输入层改为 2 个神经元一个接收坐标 (x)一个接收波数 (k)训练时在配点上同时随机采样这两者。代价是网络容量要加大否则网络学不出参数的连续变化这一类映射。验证方面除了和解析解对比最大误差之外我还会做一步残差诊断训练结束后重新在一个更密的网格上计算 PDE 残差分布。这个步骤能帮你发现解曲线看着对但局部波动有隐藏误差的问题。具体做法是把预测解代入方程左边然后画残差关于 (x) 的分布图如果残差在某些区间明显隆起说明那个区域的配点不够或者网络表达能力不足需要返工。我的习惯是每调整一次网络结构或权重参数就固定随机种子先用小规模训练快速验证可行性再放大到完整配置。这种方法避免了许多盲目的长时间训练。最后提醒一句PINN 不是一个银弹1D 问题它做得很漂亮但到了 2D/3D 或者强对流问题收敛难度会指数级上升别抱着换汤不换药的预期直接套用。如果你打算在自己的项目里认真用 PINN我建议把这份代码框架保存成一个模板把modelLoss的 PDE 部分替换成你自己的方程然后严格按先 ADAM 粗调再 L-BFGS 精修的流程走这会节省你大量摸索时间。希望帮到你。本文还有配套的精品资源点击获取