企业官网建设流程全解析

简介：面向核工程与机器学习交叉领域的学习者与实践者，这份压缩包聚焦物理信息神经网络（PINN）在中子学中的应用，围绕有效增殖因子计算、多维中子扩散方程求解及逆问题建模等核心方向，整理了一套可直接运行的Python实验代码。压缩包共39个文件，主体为28个.py程序，覆盖不同维度、不同边界条件及并行搜索变体；另有xml工程配置文件、dat训练过程数据以及说明文档，便于追踪实验轨迹与复现结果。包体仅269KB，轻量紧凑，适合快速部署。目前已有46人学习下载，常被用于毕业设计、课程设计或期末大作业的参考实现。通过阅读代码和运行记录，学习者既能理解物理定律嵌入神经网络的实现逻辑，也能对比硬边界条件与软约束对求解精度的影响；同时，从一维到多维、从正问题到反问题的脚本设计，为开展后续研究提供了完整的技术基线。

1. 机器学习开始啃中子学：这个方向解决什么问题、适合谁

做反应堆物理或屏蔽计算的人，手里那套流程通常很稳重：几何建模、网格划分、蒙特卡罗或确定论求解，专业软件跑上一晚，出来一堆通量和剂量结果。机器学习这几年开始入侵这个领域，PINN把中子学相关的偏微分方程直接编进神经网络损失函数，一维平板扩散问题几百行代码就能和解析解对齐到几个百分点，几何改来改去也不用重新画网格。这篇文章就把这个方向从头捋一遍：PINN到底解决传统中子学计算的哪个痛点、最小可复现模型怎么搭、参数怎么调、坑在哪里。适合做核设计仿真的工程师，也适合不满足于 MNIST 手写数字、想找物理落地场景的机器学习入门者。

2. 从中子扩散方程到 PINN 损失函数：把物理约束编译进神经网络

2.1 两套方程：输运方程与扩散近似的比较

中子学关注的是中子在介质里的数量守恒，最严格的描述是中子输运方程。空间 3 维、能量按能群离散、角度 2 维，加上时间自变量，轻轻松松到 7 个以上。直接数值求解这个方程的代价极高，所以工程上绝大多数场景先用扩散近似退一步。稳态单群扩散方程写出来就是：

-d/dx ( D dφ/dx ) + Σa φ = S

其中 D 是扩散系数，Σa 是宏观吸收截面，S 是源项。这个方程形式简单，但材料系数 D 和 Σa 随空间位置和能群剧烈变化。一道屏蔽墙里可能叠着水、铁、硼聚乙烯好几层，通量剖面在材料边界处产生陡峭梯度；实际堆芯模型又是多组件、多能群，几十个能群叠在一起，方程数量成倍增长。这就是为什么中子学计算至今还是核工程设计里的主要耗时环节。

这里还有一个中子学特有的细节：真空边界条件并不是几何边界上通量为 0，而是外推边界上通量为 0。外推距离近似等于 2D，几何边界处通量实际是一个小正数。入门算例里很多人直接按几何边界 φ=0 处理，能跑通，但和参考解对比时就会差几个百分点，这个坑后面避坑章节会专门展开。

PINN 这几年在中子学方向能冒出来，是因为它和传统数值方法有个本质差别：传统做法先把解离散到网格点上，再在离散空间里解代数方程；PINN 则把一个连续函数（网络输出）直接代入偏微分方程，用自动微分求导数，把“解方程”换成“最小化残差”。两者思路完全不同，所以老方法遇到的网格依赖、统计涨落、离散方向选择问题，到了 PINN 这里换了一组新问题。

2.2 传统方法的三个瓶颈和 PINN 的对应关系

有限差分和有限元方法最怕两件事：网格生成成本和加密成本。几何复杂还好说，强非均匀材料交替出现时，网格要细化到能抓住通量陡峭梯度，网格量一上去，线性求解器的内存和时间立刻爆炸。PINN 这边没有网格，采样点可以随时加密，改几何只改边界采样位置，网格重画的成本基本消失。

蒙特卡罗方法的问题在统计涨落，误差按样本数的二分之一次方收敛，想多一位精度就要多一百倍计算量。PINN 的误差受训练迭代和网络容量控制，维度升高时没有蒙特卡罗那么明显的方差爆炸，但代价转移到损失函数各项的权重调节上。确定论 SN 方法对离散方向阶数和能群数目的选择高度敏感，阶数不够通量就振荡；PINN 没有离散方向，用的是连续角度输入，代价变成训练不稳定。

顺带说一句，这个方向不是贝叶斯网络那种概率图模型，也不是黑盒分类器，它属于物理约束神经网络那一类。核心思想是靠物理方程本身做正则化，所以训练数据少、甚至没有测量数据也能学得起来。如果你之前只接触过图像分类或时序预测，这里最大的观念转变是：网络的监督信号不再来自标签，而是来自方程残差。

2.3 损失函数三项：残差、边界、数据

PINN 的核心是把方程变成损失项。第一项是残差项，把网络预测的 φ 代入扩散方程左减右：

res = -D * d²φ/dx² + Σa φ - S

希望它在定义域内处处为 0。第二项是边界条件残差，真空边界要求 φ=0，那就在 x=0 和 x=H 两个点上计算 φ² 并求和。第三项是可选的测量数据项，布置若干探测器测到通量值，网络输出与测量值之差也进损失。总损失写成：

L = λ_res * mean(res²) + λ_bc * (φ(0)² + φ(H)²) + λ_data * mean((φ - φ_meas)²)

λ 是一组权重系数，后面整篇讨论的重点几乎都落在 λ 怎么设。把连续方程变成三项损失，按“从连续方程到损失函数”的机器学习应用流程落地，操作顺序就四步：一、写出你关心方程的具体形式；二、搭建网络输出物理量；三、用自动微分求方程残差；四、加权累加三个损失项开始训练。

残差项为什么可以直接对空间点做平方，而不是像有限元那样先做弱形式积分？原因是自动微分。PINN 对 x 求一阶导、二阶导用的是解析链式法则，没有差分模板，也就没有截断误差。这一点决定了 PINN 和传统方法的精度来源完全不同，也是它能在很少的数据下把方程约束得很死的原因。到这里原理层面的内容就完整了：连续方程、三项损失、自动微分求导，下一章直接给最小可跑的代码，先把一维平板扩散问题在 PyTorch 里跑通。

3. 用 PyTorch 跑通一维中子扩散的最小 PINN：代码与参数说明

3.1 问题设定与解析解

从最简单的一维均匀平板开始。一块厚度 H=100 cm 的平板，材料均匀，单群扩散参数 D=1.0 cm，Σa=0.05 /cm，固定源 S=1.0 /(cm³·s)，两侧真空边界。这个算例有解析解，适合和 PINN 结果对照。

前面提过真空边界实际上是在外推边界处通量降为 0，外推距离 d=2D≈2.0 cm。为了入门代码简单，这里直接在 0 和 H 处强制 φ=0，这叫几何边界近似，工程上误差可接受；避坑章节会说外推距离没处理会带来什么后果。解析解公式：

φ(x) = (S/Σa) * [1 - cosh(κ(x - H/2)) / cosh(κ H/2)]

其中 κ = sqrt(Σa / D)。中心点通量约 S/Σa = 20，边界处趋近 0，剖面呈钟形。

3.2 最小可复现代码

import torch import torch.nn as nn # ---------- 物理参数与几何参数 ---------- D = 1.0 # 扩散系数 cm Sigma_a = 0.05 # 宏观吸收截面 /cm S = 1.0 # 固定源强 /(cm^3 * s) H = 100.0 # 平板厚度 cm kappa = (Sigma_a / D) ** 0.5 # ---------- 网络：输出就是中子通量 phi ---------- class PINN(nn.Module): def __init__(self): super().__init__() self.net = nn.Sequential( nn.Linear(1, 64), nn.Tanh(), nn.Linear(64, 64), nn.Tanh(), nn.Linear(64, 64), nn.Tanh(), nn.Linear(64, 1) # 最后一层不带激活，phi 可正可负 ) def forward(self, x): return self.net(x) net = PINN() optimizer = torch.optim.Adam(net.parameters(), lr=1e-3) # ---------- 采样：内部 256 个点，边界 2 个点 ---------- x_int = torch.linspace(0, H, 256).reshape(-1, 1) x_int.requires_grad_(True) # 让 x 参与自动微分 x_bc = torch.tensor([[0.0], [H]]) # 真空边界 # ---------- 解析解，用于训练后对比 ---------- def phi_ref(x): return (S / Sigma_a) * (1 - torch.cosh(kappa * (x - H / 2)) / torch.cosh(kappa * H / 2)) # ---------- 训练循环 ---------- for step in range(5000): phi = net(x_int) # 自动微分求二阶导：phi -> dphi -> d2phi dphi = torch.autograd.grad(phi, x_int, grad_outputs=torch.ones_like(phi), create_graph=True)[0] d2phi = torch.autograd.grad(dphi, x_int, grad_outputs=torch.ones_like(dphi), create_graph=True)[0] # 残差项：-D * phi'' + Sigma_a * phi - S 处处趋近 0 res = -D * d2phi + Sigma_a * phi - S loss_res = torch.mean(res ** 2) # 边界项：真空边界通量为 0 phi_bc = net(x_bc) loss_bc = torch.mean(phi_bc ** 2) # 加权求和，边界权重要给大 loss = loss_res + 50.0 * loss_bc optimizer.zero_grad() loss.backward() optimizer.step() if step % 500 == 0: print(f"step {step:4d} loss {loss.item():.3e} res {loss_res.item():.3e} bc {loss_bc.item():.3e}") # ---------- 对比解析解 ---------- with torch.no_grad(): x_plot = torch.linspace(0, H, 101).reshape(-1, 1) phi_net = net(x_plot) phi_exact = phi_ref(x_plot) rel_err = torch.mean(torch.abs(phi_net - phi_exact) / phi_exact) print(f"相对误差均值: {rel_err.item():.3%}")

逻辑说明：网络输入是位置 x，输出是通量 φ。4 层、每层 64 个神经元、tanh 激活，最后一层线性输出，因为通量在网络前向传播时不做非负约束，正负都由训练决定。自动微分两次得到二阶导，这一步替代了传统数值方法里的差分模板，没有截断误差，但注意必须保留 create_graph=True，否则第二次求导时计算图已经断了。残差项期望每一点方程左右两边之差为 0；边界项期望两端为 0；权重 50 是经验值，意义下一章详述。相对误差在训练几千步后通常能到几个百分点；没到的话先看 loss 曲线，大概率是边界权重太小或网络宽度不够。

这段代码里还有两个小细节。一是 x_int 用了 requires_grad_，而不是在输入上直接 requires_grad=True，因为后续要对这个具体张量求二阶导；二是第二个 autograd.grad 的 grad_outputs 用的是 ones_like(dphi)，保持形状一致，漏了这个维度会直接报错。训练时每 500 步打印三个量：总 loss、残差 loss、边界 loss，观察它们的量级关系，和解析解对比时建议在边界附近少看逐点误差，多剖面整体看，因为边界附近精确解趋近 0，相对误差会被分母放大。

3.3 训练配置与结果检查

上面代码默认了三个关键配置。学习率 1e-3 配合 Adam，在大多数 PINN 入门算例里都算稳；学习率再大会出现 loss 锯齿，再小训练变慢，5000 步不够收敛。内部采样 256 个点，实际用少量点先看趋势再加密是常见做法，不用一上来就几千个点。激活函数选了 tanh 而不是 ReLU，原因很直接：ReLU 的二阶导是 0，而残差项里面有明显的二阶导，网络输出对 x 的二阶导为 0 时，扩散残差项就只剩 Σa φ - S，相当于把整个方程压成了代数形式，结果必然不对。这一点踩的人最多。

检查结果的顺序也有讲究：先看积分量，比如总通量 ∫φ dx；再看剖面形状；最后才看逐点误差。总通量差 5% 以内说明物理上大体对了；剖面两端是否下压、中心是否隆起，能看出边界条件和源项有没有配平。训练停止时机不要僵硬地用固定步数，可以按 loss 平台判断：连续 500 步总 loss 下降小于 5%，就记录当前权重，把学习率减半再续跑 2000 步，通常还能从平台往下走一段。这一步在反复调参时很省时间。

4. 五个必调参数与参考解对比：让 PINN 从中子学可复现到可用

这些参数看着像玄学，其实都是机器学习实战里常见的旋钮，只是 PINN 场景里每个旋钮都有了物理含义。下面按调参顺序讲，每个参数都给出推荐范围和检查方法。

4.1 边界条件权重：默认给 1 会翻车

第 3 章代码里边界权重给了 50，这个数字不是拍脑袋。残差项是 256 个点的均值，边界项只有 2 个值的均值，数量级天然不对等。残差刚开始通常在 1e-1 到 1e0 量级，边界损失在 1e-2 量级，如果两项权重都是 1，梯度被残差项独占，网络优先去拟合内部方程，边界约束学得很慢，结果就是边界处通量翘起来，总通量偏高。血泪经验：先把边界权重放在 50 到 200 之间，预跑 500 步，看边界 loss 是否压到残差 loss 的 1/10 以下；没压下来就再把 λ_bc 翻倍。权重不是玄学，本质是在方程和边界之间做帕累托折中。工程上原则很朴素：边界先对，再谈内部。

4.2 激活函数与网络宽度：二阶导对网络的要求

这一项在 3.3 提过，这里展开。tanh、sigmoid 这类光滑激活函数二阶导连续，适合扩散方程；ReLU 系列的二阶导几乎处处为 0，直接废掉残差项里的 -D d²φ/dx²。宽度上我一般从 64 起步，一维问题足够；如果发现 loss 怎么调都在 1e-4 以上降不下去，把宽度加到 128，同时训练步数加倍，看看是不是网络容量限制。也可以试试 Swish 或 sine 激活，sine 对高频振荡场景表现好，对应到中子学里就是多层屏蔽墙中的通量起伏问题。但工程上先别急着换，记住“激活函数选择”这个旋钮存在即可，默认 tanh 能覆盖大部分扩散类问题。

4.3 采样点分布：均匀随机与边界加密

刚开始用 linspace 均匀采样没问题，但真实模型往往是不均匀的：材料边界附近通量梯度大，需要加密。常见做法是分区采样，每个材料区内部均匀采，边界两侧额外各加 20 到 50 个点，再配合随机采样打散结构化偏差。随机采样用 Latin Hypercube 比纯随机更均匀，PyTorch 里可以直接用 torch.rand 加区间偏移实现。采样密度影响的是残差项对空间各处的权重，点越密，该区域约束越强，这正好用来“告诉”网络哪里重要。注意内部点和边界点的数量不要悬殊太大，否则边界约束会稀释得厉害。

4.4 材料突变界面：单一网络跨两种材料的处理

如果把 D 和 Σa 写成 x 的分段函数直接喂给一个网络，网络会尝试用连续函数去拟合通量，结果界面处梯度被磨平。通量本身在界面上连续，但它的一阶导数在界面上不连续，这是扩散方程在材料界面处的物理要求：净流连续。常见做法两种。一是单一网络但把 D(x) 和 Σa(x) 作为输入特征同时喂进去，让网络学会“看到截面组合就切换行为”；二是更稳的区域分解，两种材料各有一个网络，界面处加两个约束：通量连续、流连续（-D dφ/dx 连续）。我一般先用第二种，可靠且排错容易，缺点是网络数量翻倍。单一网络跨界面时还有一个软化技巧：把界面附近的截面写成线性过渡，避免自动微分在分段函数处输出奇异值。

4.5 无源临界问题与噪声数据：两个特殊的参数场景

前面都是有固定源 S 的情况。临界问题 S=0，方程齐次，零解天然满足方程，网络很容易全部学成 0。处理办法是加归一化约束，比如固定全堆通量积分等于某个参考值，或者把裂变源项写成含 keff 的特征值问题，把 keff 也变成可训练参数，这就进入了特征值 PINN 的领域。噪声数据则是另一个方向：实验测量值噪声大，数据项权重 λ_data 别给太高，工程上按测量误差的倒数来定权重才是合理做法，误差大的测点自动获得低权重，这和贝叶斯思想是相通的。

下面这张参数速查表是我现在做一维扩散问题时的起点，按这个范围先跑起来，再根据 loss 曲线微调。

这章五个旋钮调完，一维扩散问题基本就到“可用”状态了。但工程上真正费时间的不是调参，而是排错，下一章列几条最常见的翻车现场。

5. 中子学 PINN 常见翻车清单：现象、原因与排查路径

这套清单是从实际训练中攒出来的，每一条都经历过“看起来很对，细看全错”的阶段。排查时按现象对号入座即可，不用从头到尾重跑。

5.1 残差降了但解整体偏离参考值

现象：训练中 loss 稳步下降，边界项也压得很低，但画出的通量剖面和解析解整体错位，要么整体偏高，要么形状对但幅值不对。

原因：残差=0 可以同时满足很多函数，方程只在“网络能表达的函数空间”内被约束。当边界条件太弱，网络把 φ 整体抬高一个常数，残差里 -S 的部分被吸收项补偿掉一部分，方程看似满足，数值却偏了。

解决：边界权重拉到 100 以上重新训练；还不行就检查是不是把 S、Σa 写错单位。一维模型的量纲必须一致，扩散系数单位是 cm，吸收截面单位是 /cm，源项单位是 /(cm³·s)，任何一项差一个量级，剖面形状都会变形。

5.2 边界通量翘起来，不是零

现象：x=0 和 x=H 处通量不是 0，出现明显上翘或下垂。

原因：几何边界近似和外推边界不一致。真空边界真正成立的位置在几何边界外推距离处，直接强制几何边界为 0 属于额外约束。网络为了同时满足“几何边界为 0”和“内部方程残差最小”，会在边界附近付出额外的形变代价。

解决：入门算例直接在几何边界强约束没问题，但对比参考解时把外推距离 d=2D 考虑进去，把求解区间扩到 [-d, H+d]，边界点放在外推边界上，内部点仍按几何区间采。这样网络在几何边界附近有了自由空间，剖面会自然形成物理上正确的形状。

5.3 训练中途 loss 发散到 nan

现象：几百步还好，一两千步 loss 跳变到 nan，重启后同样位置复发。

原因：自动微分嵌套产生的高阶梯度在计算图里反复传播，梯度爆炸；tanh 在饱和区导数趋近 0，梯度回传消失，网络参数又容易大范围跳动。

解决：加梯度裁剪，optimizer.step() 前执行 torch.nn.utils.clip_grad_norm_(net.parameters(), 1.0)；学习率降到 3e-4；输入 x 先归一化到 [0,1] 或 [-1,1]，避免大数值输入让网络初值进入饱和区。第三条往往是最有效的。

5.4 与蒙特卡罗结果永远差 3 个百分点

现象：PINN 算的总通量和 MCNP 对不上，差 3% 左右，换网格、加采样点都压不下去。

原因：物理近似不一致。扩散近似本身只在各向异性散射较弱时成立，MCNP 则是连续能量、连续角度，两者对同一模型天然存在模型差异；再叠加外推边界简化，差 3% 很正常。这不是 PINN 的实现 bug。

解决：对比前先讲清楚基准。用一维屏蔽基准题，两组解都取通量积分量对比；先跟同精度的有限差分对齐，确认 PINN 实现无误，再跟蒙特卡罗比。记住 PINN 不是用来替代 MCNP 的，它的价值在快速扫参和反问题，这个定位决定了对比标准不能定得太苛刻。

5.5 训练时间太长，但减少步数结果又要崩

现象：5000 步不够，10000 步太久，摸不准停止时机。

原因：PINN 的收敛不是单调下降，存在先快后慢的平台期。平台期里网络有时在细微调整边界层，有时是卡在局部极小，从 loss 表面看不出区别。

解决：按 loss 平台而不是按步数判断。连续 500 步总 loss 变化小于 1% 就停，记录权重；续跑时把学习率减半再跑一次，通常能从平台再往下走一段。我一般会提前算好解析解或参考解，每 500 步算一次相对误差，误差不再降就收工，这套习惯能省下大量等待时间。

5.6 监控三条曲线：loss、边界损失和参考误差

调参时我习惯同时画三条曲线：总 loss、边界损失、参考解相对误差。总 loss 下降不代表参考误差下降，边界损失压低不代表内部剖面正确，只有三条曲线同时进入平台期，才算训练真正完成。画不了参考解的项目，可以用有限差分解替代。这三条线是排查所有上面问题的基础——它们在训练过程中各自负责反映方程、边界、整体解三个视角，少任何一条都容易误判。

6. 进阶方向：反演截面、多群扩散与验证习惯

6.1 从扩散到输运：角度维度的代价

输运方程比扩散方程多一个角度变量，中子飞行方向用方向余弦 μ 表示，输入从一维变成二维，网络要同时输入 x 和 μ。一维平面几何带各向同性散射的输运方程可以试，结果会和 SN 方法对得上；高维输运就非常吃训练成本。常见的过渡路线是先把角度离散成少数几个方向，训练一个“半输运”PINN，看看在这个简化层级上和确定论结果的差距，再逐步加密角度。这条路线每一步都有参考解可比对，翻车时容易定位是空间部分还是角度部分出了问题。

6.2 反问题：把截面当作网络参数一起训练

机器学习应用流程里最有吸引力的环节其实是反问题。探测器给一组测量通量，把 Σa、D 设为可训练参数，损失里加数据项，训练完直接得到截面的估计。最小做法是把截面参数化的对数形式：

Sigma_a_log = torch.nn.Parameter(torch.tensor(-3.0)) # 初始 exp(-3) 约等于 0.05 # 训练时用 torch.exp(Sigma_a_log) 得到正截面，参与残差计算 # 损失里再加数据项：loss_data = torch.mean((phi_pred - phi_meas) ** 2)

设置成 log 形式是为了保证截面始终为正，避免训练过程中优化器把截面推到负数，这是反问题实践里的基本技巧。噪声测量点的权重按 1/σ² 设置，σ 是测量噪声标准差。这个方向做出来后，价值比正向求解大得多，因为传统方法做反问题是每改一组截面就要重新解一次方程，PINN 只需要一次训练。

6.3 我现在的验证习惯

我吃完亏才养成的验证顺序是三层对齐，缺一层不上楼。

第一层对不上，多半是边界权重和采样配比问题；第二层对不上，大概率是材料界面处理和外推边界没做对；第三层对不上，通常就是模型本身近似差异，可以接受。每次改完物理参数，至少把第一层重新过一遍，确认没有因为参数变化引入新的数值问题。这套习惯已经替我拦住过好几轮低效调试。如果你刚接触这个方向，建议第一周不要碰输运方程，先把这个一维扩散算例做到和解析解稳稳对齐，再考虑往外推。希望帮到你。

本文还有配套的精品资源，点击获取