引言
传统深度学习模型依赖海量标注数据，且易产生违背物理常识的预测结果（如电池健康度随使用时间上升、流体速度违反动量守恒），在工程场景中难以落地。物理信息神经网络（Physics-Informed Neural Networks, PINN）通过将质量守恒、能量守恒、动量守恒等物理偏微分方程（PDE）直接嵌入损失函数，让模型在梯度下降过程中同时满足数据拟合与物理规律约束。即使在实验数据极少（甚至无数据）的情况下，PINN 仍能沿物理规律收敛，完美结合了传统工科的领域知识与现代机器学习的非线性表达能力。
本文以锂电池锂离子扩散的质量守恒问题为核心案例，从原理剖析、代码实现、逐行解析、工程价值四个维度，系统讲解 PINN 的设计思路与落地方法，所有代码均提供教师级别的详细注释与逻辑分析。
一、PINN 核心原理
1.1 核心思想
PINN 不改变神经网络的基础结构（如 MLP/LSTM/CNN），而是通过损失函数的 "软约束" 实现物理规律的嵌入：
- 数据拟合损失：保证模型贴合少量实验数据；
- PDE 残差损失：惩罚违背核心物理方程的预测结果；
- 边界 / 初始条件损失：强制模型满足物理问题的约束前提。
总损失函数公式：Total Loss=λdata⋅Lossdata+λpde⋅Losspde+λbc⋅Lossbc
1.2 问题定义（锂电池锂离子扩散）
以电池电极中锂离子一维扩散的质量守恒问题为例：
- 核心 PDE（扩散方程）：∂t∂c=D⋅∂x2∂2c（c为锂离子浓度，D为扩散系数，x为空间坐标，t为时间）；
- 边界条件：x=0时c=0（电极表面浓度为 0），x=L时∂x∂c=0（电极内部无通量）；
- 初始条件：t=0时c=c0（初始浓度分布）。
二、完整代码实现与教师级解析
2.1 环境准备
依赖库安装：
bash
运行
pip install numpy torch matplotlib2.2 代码整体结构
预览
查看代码
物理PDE定义
PINN网络构建
损失函数设计
模型训练
结果可视化验证
graph TD
A[物理PDE定义] --> B[PINN网络构建]
B --> C[损失函数设计]
C --> D[模型训练]
D --> E[结果可视化验证]物理PDE定义
PINN网络构建
损失函数设计
模型训练
结果可视化验证
豆包
你的 AI 助手，助力每日工作学习
2.3 模块 1：物理 PDE 与约束定义
python
运行
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import grad
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 设备配置：优先使用GPU加速（符合并行计算求解PDE的工程需求）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
torch.manual_seed(42) # 固定随机种子，保证实验可复现
class BatteryPDE:
"""
锂电池锂离子扩散的质量守恒PDE定义类
核心功能：
1. 定义扩散方程、边界条件、初始条件
2. 计算PDE残差（违背物理规律的程度）
3. 计算边界/初始条件损失（违背约束的惩罚）
"""
def __init__(self, D=1e-10, L=1e-4, c0=1000.0):
"""
初始化物理常数（电池电化学领域的基础参数）
:param D: 锂离子扩散系数 (m²/s)，工程上典型值为1e-10量级
:param L: 电极厚度 (m)，微米级电极对应1e-4 m
:param c0: 初始锂离子浓度 (mol/m³)，典型值为1000 mol/m³
"""
self.D = D # 核心物理参数：扩散系数
self.L = L # 几何约束：电极厚度
self.c0 = c0 # 初始状态约束：初始浓度
def pde_residual(self, x, t, c_pred):
"""
计算PDE残差（核心：衡量预测结果违背质量守恒的程度）
残差公式：residual = ∂c/∂t - D·∂²c/∂x²
残差为0 → 完全满足扩散方程（质量守恒）
:param x: 空间坐标张量 (batch, 1)
:param t: 时间张量 (batch, 1)
:param c_pred: 模型预测的浓度张量 (batch, 1)
:return: residual: PDE残差张量 (batch, 1)
"""
# 1. 计算一阶偏导数 ∂c/∂t（对时间的偏导）
# grad参数说明：
# - outputs: 被求导的张量（c_pred）
# - inputs: 求导的自变量（t）
# - grad_outputs: 梯度权重（全1张量，保证梯度方向正确）
# - create_graph: 保留计算图，让残差的梯度能反向传播到网络权重
c_t = grad(c_pred, t, grad_outputs=torch.ones_like(c_pred), create_graph=True)[0]
# 2. 计算一阶偏导数 ∂c/∂x（对空间的偏导）
c_x = grad(c_pred, x, grad_outputs=torch.ones_like(c_pred), create_graph=True)[0]
# 3. 计算二阶偏导数 ∂²c/∂x²（对空间的二阶偏导）
c_xx = grad(c_x, x, grad_outputs=torch.ones_like(c_x), create_graph=True)[0]
# 4. 计算PDE残差（核心：质量守恒约束）
residual = c_t - self.D * c_xx
return residual
def boundary_condition_loss(self, x, t, c_pred):
"""
计算边界/初始条件损失（硬约束：违背则施加强惩罚）
:param x: 空间坐标张量
:param t: 时间张量
:param c_pred: 预测浓度张量
:return: bc_loss: 边界条件损失标量
"""
bc_loss = 0.0 # 初始化边界损失
# 约束1：x=0时，c=0（电极表面锂离子浓度为0）
# 掩码筛选x≈0的点（浮点精度容忍：<1e-6）
x0_mask = (x < 1e-6).squeeze()
if torch.any(x0_mask): # 仅当存在边界点时计算损失
c_x0 = c_pred[x0_mask]
bc_loss += torch.mean(c_x0 **2) # MSE损失：预测值与0的差的平方均值
# 约束2：x=L时，∂c/∂x=0（电极内部无锂离子通量）
xL_mask = (torch.abs(x - self.L) < 1e-6).squeeze()
if torch.any(xL_mask):
# 计算x=L处的一阶偏导数 ∂c/∂x
c_x = grad(c_pred[xL_mask], x[xL_mask], grad_outputs=torch.ones_like(c_pred[xL_mask]), create_graph=True)[0]
bc_loss += torch.mean(c_x** 2) # MSE损失：偏导数与0的差的平方均值
# 约束3：t=0时，c=c0（初始时刻的浓度分布）
t0_mask = (t < 1e-6).squeeze()
if torch.any(t0_mask):
c_t0 = c_pred[t0_mask]
bc_loss += torch.mean((c_t0 - self.c0) **2) # MSE损失：预测值与初始浓度的差的平方均值
return bc_loss代码解析（模块 1）：
- 物理常数初始化：所有参数均为锂电池电化学的工程典型值，保证物理意义的合理性；
- PDE 残差计算 ：
- 利用 PyTorch 自动微分替代传统数值方法的手动离散化，无需推导有限元 / 有限差分格式；
create_graph=True是核心：保留梯度计算图，让 PDE 残差的梯度能反向传播到神经网络权重，实现物理约束对训练的指导；
- 边界条件损失 ：
- 采用掩码筛选边界点，避免无关点干扰；
- 对每个约束项计算 MSE 损失并累加，违背约束则损失值剧增（即 "强惩罚"）。
2.4 模块 2：PINN 神经网络构建
python
运行
class PINN(nn.Module):
"""
物理信息神经网络（PINN）：用MLP拟合浓度分布c(x,t)，同时满足PDE约束
输入：x（空间）、t（时间）→ 输出：c（锂离子浓度）
"""
def __init__(self, input_dim=2, hidden_dim=128, output_dim=1):
"""
初始化PINN网络
:param input_dim: 输入维度（x+t → 2维）
:param hidden_dim: 隐藏层维度（128为经验值，可根据问题复杂度调整）
:param output_dim: 输出维度（浓度c → 1维）
"""
super(PINN, self).__init__()
# 全连接网络（MLP）：简单但能拟合复杂的时空函数
# 选择Tanh激活函数的原因：输出范围对称（-1,1），适合拟合物理量的连续分布
self.net = nn.Sequential(
nn.Linear(input_dim, hidden_dim), # 输入层：2→128
nn.Tanh(), # 激活函数
nn.Linear(hidden_dim, hidden_dim),# 隐藏层1：128→128
nn.Tanh(), # 激活函数
nn.Linear(hidden_dim, hidden_dim),# 隐藏层2：128→128
nn.Tanh(), # 激活函数
nn.Linear(hidden_dim, output_dim) # 输出层：128→1
)
def forward(self, x, t):
"""
前向传播：输入时空坐标，输出浓度预测
:param x: 空间坐标张量 (batch, 1)
:param t: 时间坐标张量 (batch, 1)
:return: c_pred: 浓度预测张量 (batch, 1)
"""
# 拼接x和t作为网络输入（时空联合输入）
input_ = torch.cat([x, t], dim=1)
# 网络前向计算
c_pred = self.net(input_)
return c_pred代码解析（模块 2）：
- 网络结构选择：采用 MLP（多层感知机）而非 CNN/LSTM，因为一维扩散问题的时空映射关系可由 MLP 充分拟合；若扩展到高维 / 动态场景，可替换为 CNN（空间特征）+ LSTM（时间特征），核心逻辑不变；
- 激活函数：Tanh 函数的输出范围对称，避免 ReLU 的 "死亡神经元" 问题，更适合拟合物理量的连续分布；
- 输入拼接：将空间x和时间t拼接为 2 维输入，让网络学习时空联合的浓度分布c(x,t)。
2.5 模块 3：PINN 训练流程
python
运行
def train_pinn(use_data=True, num_data_points=50):
"""
训练PINN模型（支持有数据/无数据两种场景）
:param use_data: 是否使用实验数据（True=少量数据，False=纯PDE约束）
:param num_data_points: 实验数据点数量（模拟工程中少量的实验数据）
:return: trained_model: 训练好的PINN模型, pde: PDE定义类实例
"""
# 1. 初始化PDE和PINN模型
pde = BatteryPDE(D=1e-10, L=1e-4, c0=1000.0) # 物理规律实例化
model = PINN(input_dim=2, hidden_dim=128).to(device) # 网络实例化并移至设备
optimizer = optim.Adam(model.parameters(), lr=1e-4) # 优化器（Adam适合非凸优化）
# 学习率调度器：每1000轮学习率衰减10%，避免后期震荡
scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=1000, gamma=0.9)
# 2. 生成训练点（两类采样点：PDE约束点 + 实验数据点）
# 2.1 PDE约束采样点（1000个，远多于实验数据，保证物理约束的主导性）
num_pde_points = 1000
x_pde = torch.rand(num_pde_points, 1).to(device) * pde.L # x∈[0, L]
t_pde = torch.rand(num_pde_points, 1).to(device) * 3600 # t∈[0, 1小时]
# 关键：开启梯度计算，才能对x/t求偏导（计算PDE残差）
x_pde.requires_grad = True
t_pde.requires_grad = True
# 2.2 实验数据点（模拟工程中少量的实验测量数据）
if use_data:
# 生成少量时空采样点（50个，模拟"可怜的实验数据"）
x_data = torch.rand(num_data_points, 1).to(device) * pde.L
t_data = torch.rand(num_data_points, 1).to(device) * 3600
# 用扩散方程解析解生成"真实"浓度（加噪声模拟实验测量误差）
sqrt_Dt = torch.sqrt(pde.D * t_data + 1e-8) # 避免除0
c_true = pde.c0 * torch.erfc(x_data / (2 * sqrt_Dt)) # 解析解
c_data = c_true + torch.randn_like(c_true) * 0.05 * pde.c0 # 加5%噪声
else:
x_data, t_data, c_data = None, None, None # 无数据时置空
# 3. 训练参数配置
epochs = 5000 # 训练轮数（PINN需足够轮数收敛到物理解）
# 损失权重：平衡数据拟合与物理约束的优先级
lambda_data = 10.0 # 数据损失权重（少量数据需加大权重）
lambda_pde = 1.0 # PDE残差损失权重（核心物理约束）
lambda_bc = 10.0 # 边界条件损失权重（硬约束需加大权重）
model.train() # 模型设为训练模式
# 4. 训练循环
loss_history = [] # 记录损失变化
for epoch in range(epochs):
optimizer.zero_grad() # 清空梯度（避免累积）
# ---------------------- 损失1：PDE残差损失（核心物理约束） ----------------------
c_pde_pred = model(x_pde, t_pde) # 预测PDE采样点的浓度
pde_residual = pde.pde_residual(x_pde, t_pde, c_pde_pred) # 计算PDE残差
loss_pde = torch.mean(pde_residual **2) # 残差的MSE损失
# ---------------------- 损失2：边界/初始条件损失 ----------------------
loss_bc = pde.boundary_condition_loss(x_pde, t_pde, c_pde_pred)
# ---------------------- 损失3：实验数据拟合损失（可选） ----------------------
if use_data:
c_data_pred = model(x_data, t_data) # 预测实验数据点的浓度
loss_data = torch.mean((c_data_pred - c_data) **2) # 数据拟合MSE损失
else:
loss_data = torch.tensor(0.0).to(device) # 无数据时损失为0
# ---------------------- 总损失：加权求和 ----------------------
total_loss = lambda_data * loss_data + lambda_pde * loss_pde + lambda_bc * loss_bc
# ---------------------- 反向传播与权重更新 ----------------------
total_loss.backward() # 反向传播：计算总损失对网络权重的梯度
optimizer.step() # 更新权重：最小化总损失
scheduler.step() # 学习率衰减
# ---------------------- 记录与打印 ----------------------
loss_history.append(total_loss.item())
if (epoch + 1) % 500 == 0: # 每500轮打印一次
print(f"Epoch [{epoch+1}/{epochs}], Total Loss: {total_loss.item():.6f}, "
f"PDE Loss: {loss_pde.item():.6f}, Data Loss: {loss_data.item():.6f}")
# 可视化训练损失（对数坐标更易观察收敛趋势）
plt.plot(loss_history)
plt.xlabel("Epoch")
plt.ylabel("Total Loss (Log Scale)")
plt.title("PINN Training Loss (PDE + Data Constraint)")
plt.yscale("log")
plt.grid(True)
plt.show()
return model, pde代码解析（模块 3）：
- 采样点设计 ：
- PDE 约束点（1000 个）：覆盖全时空域，保证物理约束的全局性；
- 实验数据点（50 个）：模拟工程中少量、带噪声的实验测量数据；
- 损失权重设计 ：
- λdata=10：少量数据需加大权重，保证模型贴合实验测量值；
- λpde=1：核心物理约束的基础权重；
- λbc=10：边界 / 初始条件为硬约束，加大权重强制满足；
- 训练逻辑 ：
- 反向传播时，PDE 残差和边界损失的梯度会传递到网络权重，强制模型调整参数以满足物理规律；
- 无数据时（
use_data=False），模型仅通过最小化 PDE+BC 损失收敛到物理解，实现 "无数据求解 PDE"。
2.6 模块 4：结果可视化与验证
python
运行
def visualize_pinn(model, pde):
"""
可视化PINN预测的浓度分布，验证物理合理性
:param model: 训练好的PINN模型
:param pde: PDE定义类实例
"""
model.eval() # 模型设为评估模式（关闭Dropout等训练层）
# 1. 生成时空网格（覆盖全定义域，用于可视化）
x_grid = np.linspace(0, pde.L, 100) # 空间网格：0→L，100个点
t_grid = np.linspace(0, 3600, 50) # 时间网格：0→1小时，50个点
X, T = np.meshgrid(x_grid, t_grid) # 生成二维网格
# 2. 转换为张量并移至设备
x_tensor = torch.tensor(X.flatten(), dtype=torch.float32).reshape(-1, 1).to(device)
t_tensor = torch.tensor(T.flatten(), dtype=torch.float32).reshape(-1, 1).to(device)
# 3. 模型预测（无梯度计算，提升速度）
with torch.no_grad():
c_pred = model(x_tensor, t_tensor).cpu().numpy().reshape(X.shape)
# 4. 3D可视化浓度分布（时空全局视图）
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')
# 绘图参数：X*1e4将m转换为1e-4 m（工程常用单位），T/3600将s转换为h
surf = ax.plot_surface(X*1e4, T/3600, c_pred, cmap='viridis', edgecolor='none')
ax.set_xlabel('Position (1e-4 m)')
ax.set_ylabel('Time (h)')
ax.set_zlabel('Li+ Concentration (mol/m³)')
ax.set_title('PINN Predicted Li+ Concentration (Mass Conservation)')
fig.colorbar(surf, shrink=0.5, aspect=5)
plt.show()
# 5. 切片可视化（t=0.5h时的浓度分布，验证物理趋势）
t_idx = np.where(t_grid == t_grid[25])[0][0] # 选择t=0.5h的切片
plt.figure(figsize=(8, 5))
plt.plot(X[t_idx]*1e4, c_pred[t_idx], 'b-', label='PINN Prediction')
plt.axhline(y=0, color='r', linestyle='--', label='x=0 Boundary (c=0)')
plt.xlabel('Position (1e-4 m)')
plt.ylabel('Li+ Concentration (mol/m³)')
plt.title(f'Li+ Concentration at t={t_grid[t_idx]/3600:.1f}h')
plt.legend()
plt.grid(True)
plt.show()
# 主程序：执行训练与可视化
if __name__ == "__main__":
# 场景1：少量实验数据 + PDE约束（工程中最常见场景）
print("===== 训练场景1：少量数据 + PDE约束 =====")
model_with_data, pde = train_pinn(use_data=True, num_data_points=50)
visualize_pinn(model_with_data, pde)
# 场景2：无实验数据，仅PDE+边界条件约束（验证物理约束的主导性）
print("\n===== 训练场景2：无数据 + PDE约束 =====")
model_no_data, pde = train_pinn(use_data=False)
visualize_pinn(model_no_data, pde)代码解析（模块 4）：
- 可视化设计 ：
- 3D 视图：展示浓度随时间、空间的全局分布，直观验证物理趋势（如浓度随时间扩散、随空间递增）；
- 切片视图：验证特定时间点的浓度分布是否符合边界条件（x=0 处 c=0）；
- 无梯度计算 ：
torch.no_grad()关闭梯度计算，避免不必要的内存消耗； - 双场景验证 ：
- 场景 1：少量数据 + PDE 约束 → 模型既贴合数据又符合物理；
- 场景 2：无数据 + PDE 约束 → 模型仅通过物理规律收敛到合理解。
三、PINN 的工程价值与扩展
3.1 核心优势总结
表格
| 维度 | 传统深度学习 | PINN |
|---|---|---|
| 数据需求 | 海量 | 极少（几十条）甚至无数据 |
| 物理合理性 | 易违背 | 强制满足守恒律 / 边界条件 |
| 泛化能力 | 差（换工况崩） | 强（基于通用物理规律） |
| 可解释性 | 黑箱 | 高（输出物理参数 + 方程） |
| 工程落地难度 | 高 | 低（符合工程师的物理直觉） |
3.2 扩展方向
- 多物理场耦合：将动量守恒、能量守恒的 PDE 加入损失函数，适配电池热 - 电 - 化学耦合问题；
- 复杂网络结构：替换 MLP 为 CNN/LSTM，适配高维空间（如二维电极）、动态时序（如快充工况）；
- 工业级优化 ：
- 采用自适应采样（如梯度提升采样）提升 PDE 约束点的效率；
- 结合迁移学习，将预训练的 PINN 模型迁移到不同电池型号 / 工况。
四、总结
物理信息神经网络（PINN）通过将物理偏微分方程嵌入损失函数，无需修改神经网络结构即可实现 "数据拟合 + 物理约束" 的双重目标。本文以锂电池锂离子扩散的质量守恒问题为例，从物理建模、网络构建、损失设计、训练验证四个维度，提供了教师级别的代码解析与工程化实现方案。
PINN 的核心价值在于：用现代机器学习的并行计算能力加速求解传统工科的偏微分方程，即使在实验数据极少的工程场景中，也能保证预测结果的物理合理性与泛化能力，完美解决了纯数据驱动模型 "瞎算""乱抖" 的问题，是连接传统工科与现代 AI 的桥梁。