企业官网建设流程全解析

简介：本资源是一套基于MATLAB实现的物理信息神经网络（PINN）求解二维泊松方程的完整教学与实践代码，面向计算数学、科学计算及AI for Science方向的本科生、研究生与科研初学者，解决传统数值方法在复杂边界或无网格场景下建模困难的问题。压缩包共5个MATLAB源文件（.m），涵盖主流程控制（main.m）、拉普拉斯算子有限差分计算（computeLaplacianFD.m）、PINN损失函数与梯度联合构建（computeLossAndGradients.m）、参数更新逻辑（updateNetworkParameters.m）及网络结构动态调整（replaceLayer.m），总大小仅5KB，轻量易读、模块职责清晰。已有211人学习下载，适合快速理解PINN核心思想——将偏微分方程物理约束嵌入神经网络训练过程，并通过可视化对比数值解与解析解验证精度。读者可直接运行复现全流程，掌握全连接网络构建、PDE残差离散化、自定义梯度优化等关键技能，为拓展至其他椭圆型或更复杂PDE问题奠定坚实基础。 物理信息神经网络（PINN）这两年算是把偏微分方程数值求解这个老领域重新带火了。大家以前一提到PDE，第一反应就是有限差分、有限元、有限体积，直到PINN出现，才意识到深度学习那条路也能用来解方程，而且不需要生成网格，直接把物理方程嵌进损失函数里训练网络就行。这篇文章我打算用MATLAB从零搭一个PINN，求解二维泊松方程，给出完整可运行的源码、训练数据生成方式以及调参过程里踩过的坑，拿去做课程作业、科研预研或者单纯想入门PINN都很合适。

我的目标很简单：通过一个具体的二维椭圆型方程例子，把PINN的每个环节——网络结构、损失函数构造、自动微分、训练策略、误差分析——都讲透。代码不追求花哨，追求的是“看完就能自己复现、自己改”。不管你是刚接触深度学习，还是对PDE很熟但没碰过神经网络，跟着走一遍都会对这套方法有直观的认识。

1. 为什么用PINN解泊松方程，它到底解决什么问题

1.1 泊松方程在工程里的经典场景

先看方程本身。二维泊松方程的标准形式是：

[ -\left(\frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2}\right) = f(x,y) ]

这里 (u) 是我们要求的未知函数，(f) 是源项。椭圆型方程最典型的物理含义就是稳态场：比如温度场在没有热源累积时满足拉普拉斯方程（(f=0)）；如果内部有热源、电流源或质量源，就变成泊松方程。实际工程中常见的问题包括：静电场的电势分布、稳态热传导、薄膜的挠度、多孔介质中的压力分布等。

这类问题在矩形域、圆形域或者形状规则的区域，传统方法非常好用，网格剖分、迭代求解都很成熟。但一旦遇到复杂几何、移动边界、或者需要从离散观测数据反推参数，传统方法就会变得麻烦——要么网格生成成本高，要么边界条件不好处理，要么正问题反问题耦合在一起。PINN的天然优势就在这里：它把物理方程本身的残差当作约束，不需要显式生成网格，边界条件也可以直接作为惩罚项加进损失函数，复杂几何和反问题的处理思路基本一致。

1.2 传统方法与PINN的本质差异

有限差分法最直观，用差分公式近似偏导数，做法是在网格点上把微分方程离散成代数方程，然后求解大规模线性系统。有限元法则基于变分原理，把求解域划分成单元，在每个单元上用形函数逼近，组成刚度矩阵和载荷向量。这两类方法的共同点是：解是定义在网格节点上的离散值，要得到连续函数还得做插值。

PINN的思路完全不一样：我们用神经网络 (u_\theta(x,y)) 表达解函数，网络的权重 (\theta) 就是未知量。物理方程不再被“离散”到网格上，而是通过自动微分计算网络的输出对输入坐标的偏导数，然后把偏微分方程的残差在所有采样点上求均方误差，作为训练损失的一部分。整个过程不涉及网格剖分，采样点可以任意散布在求解域内和边界上。

从这个角度看，PINN更像是一种“无网格方法”，但它又和传统无网格方法（比如径向基函数配点法）不同，因为神经网络有大量的可训练参数，表达能力更强，对高维问题也不会受到网格维数灾难的限制。当然，PINN并没有完全取代传统方法，它在精度、收敛性和计算效率上还有很多争议，但在处理反问题、不适定问题、复杂几何和高维问题时，它提供了一个非常灵活的框架。

2. 网络结构、损失函数和训练策略设计

2.1 一个能直接跑的PINN整体架构

PINN的架构本身没啥神秘的：输入层是坐标 ((x,y))，中间是若干层全连接网络，激活函数用tanh，输出层是一个标量 (u)，这样就构建了一个从坐标到解的映射。

我训练时用了两层隐含层，每层50个神经元，对二维泊松方程来说这个规模已经够用。网络太深反而不容易收敛，PINN对网络深度和宽度的敏感程度比传统图像分类任务要高得多，主要原因在于损失函数包含了高阶偏导数，网络越深，梯度传播路径越长，训练越不稳定。

整个训练流程可以拆成四步：

1. 在求解域内部随机采样一批点，称为内部配点；
2. 在求解域边界上随机采样一批点；
3. 前向传播计算网络输出；
4. 用自动微分求 (u_{xx}) 和 (u_{yy})，构造损失函数，反向传播更新权重。

在MATLAB里，这些操作可以通过Deep Learning Toolbox的dlnetwork和dlgradient完成，不需要手写反向传播，也不需要自己推导偏导数的链式法则，数值微分始终落在自动微分框架内部。

2.2 损失函数为什么要分成三个部分

PINN的损失函数由残差损失、边界损失和数据损失三部分组成。泊松方程的边界通常有两类情况：已知边界值（Dirichlet边界）和已知边界法向导数（Neumann边界）。这篇文章的算例用Dirichlet边界，所以损失函数写成：

[ \mathcal{L} = \mathcal{L}{PDE} + \lambda_B \mathcal{L}{BC} ]

其中：

[ \mathcal{L}{PDE} = \frac{1}{N_f}\sum{i=1}^{N_f}\left| -\left(\frac{\partial^2 u_\theta}{\partial x^2} + \frac{\partial^2 u_\theta}{\partial y^2}\right) - f(x_i, y_i) \right|^2 ]

[ \mathcal{L}{BC} = \frac{1}{N_b}\sum{i=1}^{N_b}\left| u_\theta(x_i,y_i) - g(x_i,y_i) \right|^2 ]

这里的 (N_f) 是内部配点数，(N_b) 是边界采样点数，(\lambda_B) 是边界损失的权重。理想情况下，当损失降到极小值，网络输出的函数会同时满足方程和边界条件。

很多人第一次写PINN，只关注PDE残差损失，结果训练出来边界误差很大。原因很简单：神经网络是有无限多方式拟合一个方程的，如果不把边界条件压死，网络完全可以找到一个低残差但完全跑偏的解。所以边界损失在整个训练过程中必须占据足够高的权重。我一般把 (\lambda_B) 设为1或者比PDE残差损失略高，但这需要根据数值量级调试，后面会详细说。

数据损失是给“有实验观测数据”的反问题用的。比如当我们并不是完整知道边界条件，而是知道一些内部点上的测量值时，就把这些点的预测值和测量值做均方误差，加入总损失。这是PINN处理反问题的核心能力，本文只求解正问题，先不加入数据项。

2.3 坐标归一化和损失权重设置的细节

神经网络对输入量级的敏感程度很高。(x) 和 (y) 如果直接取0到1之间的值还比较安全，但如果求解域是0到100甚至更大，未经归一化的输入会让激活函数很快进入饱和区，梯度消失，训练基本停滞。我的做法是把坐标线性映射到 ([-1, 1])：

[ x' = 2\frac{x - x_{\min}}{x_{\max} - x_{\min}} - 1 ]

这样做的目的是让输入分布落在tanh激活函数的活跃区间内，梯度信号能更顺畅地传播。类似地，如果 (u) 本身的量级很大，也可以对输出层做缩放，尽量让网络输出的量级在O(1)附近，这样损失函数各项的数值不会差太多，训练更稳定。

损失权重 (\lambda_B) 的调整也来自实践。如果边界条件约束不紧，数值解会出现边界翘起或凹陷；如果 (\lambda_B) 过大，又会导残差损失被完全压制，方程内部不满足。正常情况下，可以观察训练初期两个损失的下降速度来判断：哪个下降得过快，说明哪个被过度惩罚了，适当降低它的权重。

3. MATLAB完整实现：从数据生成到模型训练

3.1 环境准备和你需要关心的工具箱

这段代码需要MATLAB R2021a及以上版本，主要依赖Deep Learning Toolbox。比较新的版本对自定义训练循环的支持已经很完善，dlnetwork、dlarray、dlgradient、dlfeval这几个函数就是核心工具。

建议运行时先把GPU环境配置好，用gpuDevice查看是否可用。对于这个规模的网络，CPU也能跑，但单次迭代在GPU上会快不少，尤其是配点数比较多的时候。

3.2 生成训练数据：内部配点和边界点的采样

PINN不需要传统网格，但需要采样点。内部配点可以用均匀网格点，也可以随机抽样。我倾向于用随机抽样加一点sobol序列的味道，但实际上普通均匀随机数（rand）就已经够用了。

下面的代码负责生成求解域 ([0,1]\times[0,1]) 的内部点和边界点：

% 参数设置 N_f = 10000; % 内部配点数 N_b = 400; % 边界点数（每条边界100个） rng(42); % 固定随机种子，保证可复现 % 内部配点 x_f = rand(N_f, 1); y_f = rand(N_f, 1); % 边界点采样 % 四条边各取N_b/4个点 n_edge = N_b / 4; x_b = [rand(n_edge,1); rand(n_edge,1); zeros(n_edge,1); ones(n_edge,1)]; y_b = [zeros(n_edge,1); ones(n_edge,1); rand(n_edge,1); rand(n_edge,1)]; % 生成真实源项 f(x,y) = 2*pi^2*sin(pi*x)*sin(pi*y) f_func = @(x,y) 2*pi^2*sin(pi*x).*sin(pi*y); f_val = f_func(x_f, y_f); % 边界真实值 g = 0 （齐次Dirichlet边界） g_val = zeros(size(x_b));

这里选了一个有精确解析解的例子：(u(x,y)=\sin(\pi x)\sin(\pi y))。代入泊松方程，源项就是 (f=2\pi^2\sin(\pi x)\sin(\pi y))。解析解存在的最大好处是可以直接算误差，验证程序是否正确。实际工程中当然没有解析解，但调试PINN时必须先从这种标准算例入手。

3.3 定义网络结构和前向传播函数

用dlnetwork构造全连接网络：

inputSize = 2; layers = [ featureInputLayer(inputSize, 'Normalization', 'none', 'Name', 'in') fullyConnectedLayer(50, 'Name', 'fc1') tanhLayer('Name', 'tanh1') fullyConnectedLayer(50, 'Name', 'fc2') tanhLayer('Name', 'tanh2') fullyConnectedLayer(1, 'Name', 'out') ]; lgraph = layerGraph(layers); dlnet = dlnetwork(lgraph);

前向传播函数需要同时计算输出 (u) 以及 (u) 对 (x) 和 (y) 的二阶偏导。在MATLAB中，自动微分是通过符号求导来完成的，但这里的“符号”是dlarray框架内的数值自动微分，具体代码要写成：

function [u, lossPDE, lossBC] = modelLoss(dlnet, X, Y, F, Xb, Yb, G) % 前向传播内部点 Xd = dlarray(X(:), 'CB'); Yd = dlarray(Y(:), 'CB'); input = [Xd; Yd]; % 注意维度需要拼接为 2 x N U = forward(dlnet, input); U = reshape(U, size(X)); % 自动微分求一阶偏导 dUdx = dlgradient(U, Xd); dUdy = dlgradient(U, Yd); % 自动微分求二阶偏导 d2Udx2 = dlgradient(dUdx, Xd); d2Udy2 = dlgradient(dUdy, Yd); % 方程残差 residual = - (d2Udx2 + d2Udy2) - F; lossPDE = mean(residual.^2, 'all'); % 边界前向传播 Xb_dl = dlarray(Xb(:), 'CB'); Yb_dl = dlarray(Yb(:), 'CB'); input_b = [Xb_dl; Yb_dl]; Ub = forward(dlnet, input_b); Ub = reshape(Ub, size(Xb)); lossBC = mean((Ub - G).^2, 'all'); end

这里有个关键点：dlgradient只能在dlfeval内部调用，不能直接在脚本里求梯度。所以训练循环里要写成：

[loss, grad] = dlfeval(@modelLoss, dlnet, x_f, y_f, f_val, x_b, y_b, g_val);

这个细节如果不注意，代码编译阶段就会报错，很多人第一次用MATLAB写PINN都会卡在这。

3.4 完整训练循环与超参数设置

训练循环采用Adam优化器，学习率设成1e-3，迭代5000步。批量大小方面，因为内存足够，我直接用了全批量训练——所有采样点一次性进网络，这样梯度计算最稳定。如果你想做小批量，需要小心处理批量内的采样点分布，最好是每次迭代重新采样。

% 优化器参数 learnRate = 1e-3; averageGrad = []; averageSqGrad = []; maxEpochs = 5000; % 将数据转为dlarray x_f_dl = dlarray(x_f, 'CB'); y_f_dl = dlarray(y_f, 'CB'); f_dl = dlarray(f_val, 'CB'); x_b_dl = dlarray(x_b, 'CB'); y_b_dl = dlarray(y_b, 'CB'); g_dl = dlarray(g_val, 'CB'); % 训练 for iter = 1:maxEpochs [loss, grad] = dlfeval(@modelLoss, dlnet, ... x_f_dl, y_f_dl, f_dl, x_b_dl, y_b_dl, g_dl); % Adam更新 [dlnet, averageGrad, averageSqGrad] = adamupdate(... dlnet, grad, averageGrad, averageSqGrad, iter, learnRate); if mod(iter, 500) == 0 fprintf('Iter %d, Loss = %.4e\n', iter, extractdata(loss)); end end

实际训练中，损失值通常在500步内从几百降到个位数，5000步左右能降到1e-5量级。如果你的损失始终不下降，第一件事不是调网络结构，而是检查数据维度和dlarray的标签，维度出错时MATLAB会静默广播，导致梯度计算完全错误。

3.5 后处理：解场可视化与误差计算

训练结束后，需要在细网格上评估网络输出，和解析解对比：

% 生成评估网格 [xGrid, yGrid] = meshgrid(0:0.01:1, 0:0.01:1); xGrid_dl = dlarray(xGrid(:), 'CB'); yGrid_dl = dlarray(yGrid(:), 'CB'); inputGrid = [xGrid_dl; yGrid_dl]; uPred = predict(dlnet, inputGrid); uPred = reshape(extractdata(uPred), size(xGrid)); % 解析解 uExact = sin(pi*xGrid) .* sin(pi*yGrid); % 相对L2误差 err = norm(uPred(:) - uExact(:), 2) / norm(uExact(:), 2); fprintf('相对L2误差: %.4e\n', err); % 画图 figure('Color','white'); subplot(1,2,1); surf(xGrid, yGrid, uPred, 'EdgeColor', 'none'); title('PINN预测解'); xlabel('x'); ylabel('y'); zlabel('u'); subplot(1,2,2); surf(xGrid, yGrid, uExact, 'EdgeColor', 'none'); title('解析解');

用这个算例跑下来，相对L2误差通常能做到1%以内，具体取决于配点数量和训练步数。下面是几组我实测的对比数据。

4. 测试算例与结果分析

4.1 算例一：有解析解的验证测试

第一个算例就是上面提到的 (\sin(\pi x)\sin(\pi y))。这里把关键测试结果列出来，方便大家对比自己的运行情况。

从结果可以看到，配点越多、迭代越久，误差越小，但这种提升不是线性的。到后期，继续增加配点对误差的改善越来越微弱，反而会增加单步训练时间。PINN在逼近光滑解时表现不错，但需要合理的训练预算。

误差的分布也值得注意：最大误差通常出现在四个角附近。原因是边界点在角点处的法向不唯一，网络很难同时满足两条相邻边界的约束。如果你想提升角点精度，可以加密边界采样，或者把角点单独作为一组硬约束，一劳永逸地加到损失里。

4.2 算例二：非齐次边界的测试

第二个算例把边界条件改成非齐次Dirichlet边界。求解域还是单位正方形，但左边界的值设为1，其他边界设为0，源项 (f) 设为常数1。这类问题没有简单解析解，但有明确的物理意义：均匀源项下带特殊边界条件的稳态温度分布。

把代码中的g_val改成边界对应的值就可以直接测试：

g_val = zeros(size(x_b)); % 左边界 x=0 上的点值设为1 idx_left = (x_b == 0); g_val(idx_left) = 1;

跑出来的解看起来像一个从左边“热墙”向内部和右边界扩散的温度场。这个算例没有解析解做对照，判断正确性的方式主要是：看边界值是否被准确还原、等值线是否平滑、以及内部是否满足物理常识（比如没有负温度、温度在0到1之间）。如果你有传统CFD或有限元软件的结果，也可以直接对比。

这个例子主要想说明一点：PINN对边界条件的修改非常方便，只是改一组数据而已。传统方法遇到这种问题需要重新设定网格和边界处理方式，而PINN的框架完全不用动。

4.3 训练过程中的观察记录

我在训练时记录了几组损失变化，先说结论：PDE残差损失和边界损失并不是同步下降的，它们在训练早期会互相竞争。前200步，边界损失下降非常快，因为网络快速学会了在边界上输出接近给定值；但此时PDE残差还很高，误差主要来自内部没有满足方程。再往后，PDE残差开始主导，边界损失会小幅回升。这个“此消彼长”的过程在PINN训练里很常见，不用担心，最终两者会趋于平衡。

如果边界损失回升太明显，比如降到1e-6后又涨到1e-3，大概率是学习率过大导致优化过程振荡。建议把学习率从1e-3降到3e-4，重新训练，稳定性会好很多。

5. 踩坑记录与排查思路

5.1 损失不下降或下降极慢

这是PINN新手最容易遇到的问题。排查顺序我的经验是：

1. 检查dlarray维度标签：输入必须是'CB'格式，C表示通道（这里是坐标分量），B表示批量。如果维度标签不对，dlgradient会计算错误或报错。
2. 检查模型输入拼接：沿通道维度拼接[x; y]得到 2 x N，不能搞成 N x 2。
3. 检查激活函数：ReLU在PINN中不适用，因为ReLU的二阶导数处处为零（除了不可导点），方程残差根本没法体现。至少要使用tanh、sigmoid这类光滑激活函数。
4. 检查初始学习率：1e-3是常用起点，损失完全不动时改成1e-2试试；损失振荡剧烈时改成1e-4。

5.2 边界条件不满足或者边界处有尖角

边界误差大的原因通常有三个。一是边界采样点太少，无法提供足够的约束。二是边界损失权重设置太低，在总损失中被PDE残差淹没。三是边界点没有覆盖角点，网络在角点附近自由度太大，容易出现局部畸变。

我的处理手段是把角点单独加入边界点集，并给角点更高权重。具体实现上，可以把角点重复采样很多份，这样在均方误差计算时角点自然会被“看重”。

5.3 训练后期损失下降非常慢

PINN的收敛特性很大程度受限于梯度平衡问题。当损失降到1e-4以下时，PDE残差和边界损失的梯度量级可能存在差异，Adam优化器对每个参数有自适应学习率，但这个平衡不一定最优。

解决思路有两种。一种是修改损失函数，使用“加权损失”：给贡献较小的那一项乘以一个放大系数，让它在梯度里更突出。另一种是使用学习率衰减：

learnRate = 1e-3 * (0.5^(floor(iter/1000)));

衰减之后的训练后期会更稳定。我个人比较喜欢用余弦退火（cosine annealing），在MATLAB里手动实现也不困难。

5.4 常见问题速查表

6. 完整源码结构、文件说明与扩展玩法

6.1 源码文件结构和运行顺序

这里提供一个可以直接照搬的项目目录结构，你也可以按自己的习惯整理：

PINN_Poisson2D/ ├── main.m % 主脚本：数据生成、训练、可视化 ├── modelLoss.m % 损失函数与自动微分核心 ├── generateData.m % 内/边界采样函数 ├── plotSolution.m % 结果可视化 └── README.md % 使用说明

注意，在MATLAB中modelLoss.m必须放在工作路径下，因为dlfeval需要调用函数句柄。如果你把modelLoss写成主脚本里的嵌套函数，有时候也可以，但独立函数文件更清晰、更方便复用。

generateData函数建议参数化设计，返回内部点、边界点、源项值和边界值，方便后续更换求解域和方程：

function [x_f, y_f, f_val, x_b, y_b, g_val] = generateData(N_f, N_b, option) % option = 'sin' 对应解析解算例 % option = 'const' 对应非齐次边界算例 ... end

6.2 如何修改成自定义边界条件和源项

替换源项和边界条件只需要改两处：generateData里的f_func和g_val。比如你想求解域内有一个点热源，可以用高斯函数近似狄拉克函数：

f_func = @(x,y) 100*exp(-((x-0.5).^2 + (y-0.5).^2)/0.01);

这种高度局部化的源项对PINN是一个挑战，因为残差在大部分区域接近零，只在点源附近有显著变化，网络可能很难精确捕捉到这个局部结构。改进方式是在点源附近加密采样点，或者添加一个注意力加权损失。这是PINN在工程应用中的一个开放难点，值得深入研究。

6.3 从泊松方程扩展到其他PDE

这个框架的最大价值在于扩展性。换成其他PDE，只需要改modelLoss里的残差公式。

• 热传导方程（抛物型）：输出变成 (u(t,x,y))，输入包含时间 (t)，残差是 (u_t - \alpha \Delta u - f)。
• 波动方程（双曲型）：残差是 (u_{tt} - c^2 \Delta u)，需要二阶时间导数。
• Helmholtz方程：残差是 (\Delta u + k^2 u - f)，和泊松方程非常相似，只需要在残差里加一项 (k^2 u)。

所有这些都是改残差表达式，配合调整输入维度，框架本身不用大动。我还试过把PINN用于求解参数识别反问题，把方程中的未知参数（比如扩散系数）也设为网络的可训练参数，加入观测数据损失后一起迭代优化，效果也非常直接。

6.4 关于源码和数据的一些使用建议

跑代码时建议先固定随机种子（rng(42)），确保每次结果一致，方便调参对比。后期做实验时再放开种子，做多次独立重复实验取平均值，这样观察误差不会因为某一次随机性而误判。

配点数量不建议一次性开太大。先用N_f=2000快速跑通整个流程，确认代码没有维度错误、损失能降，然后再加大配点数和迭代次数。这个“先小后大”的原则能帮你省下大量调试时间。

如果想进一步提升精度，可以考虑两阶段训练：先用均匀随机采样训练2000步，让网络快速逼近一个合理的解；然后根据当前残差的分布增加新采样点（残差大的区域多采样），再训练1000步。这种基于残差自适应的采样策略是PINN精度提升的有效手段，实现起来也不困难，只需在每个训练阶段后重算一遍残差，找到残差超过某个阈值的区域，在这些区域附近多撒点。

我自己在实际项目里用这个策略，相对L2误差能再降一个数量级。前提是你已经有了一个初步解，否则两阶段训练很难奏效。

最后再说一个我反复强调的细节：保存模型一定要保存dlnet状态，而不是只存当前输出。因为后续如果想做迁移学习或者继续训练，需要网络结构和权重一起保留，用一个简单的save命令就行：

save('trained_pinn.mat', 'dlnet');

以后再加载时：

load('trained_pinn.mat');

就能直接拿这个训练好的网络去预测新坐标点的解了。整个过程到这里就闭环了，从数据生成、模型定义、自动微分、训练循环到后处理和模型复用，每一步都能在MATLAB里独立验证。第一次跑通以后，剩下的就是根据你的具体方程去改残差和边界条件，希望这份完整源码能成为你后续所有PINN实验的起点。

本文还有配套的精品资源，点击获取