传统神经网络最擅长的一件事，是从大量数据中寻找规律。
给它足够多的输入和输出，它可以学习图像、语言，也可以预测温度、压力、浓度甚至材料性能。
但工程和科学问题有一个非常特殊的地方：
我们往往并不是对系统一无所知。
流体流动必须满足质量守恒和动量守恒，传热过程受到能量守恒约束，物质传递遵循扩散和对流规律，电化学体系还需要满足电荷守恒、离子迁移和界面反应动力学。
这些规律通常可以写成偏微分方程（Partial Differential Equations，PDEs）。
于是一个很自然的问题出现了：
既然我们已经知道物理规律，为什么还要让神经网络完全依靠数据"重新猜一遍"？
物理信息神经网络（Physics-Informed Neural Networks，PINNs）正是为解决这个问题而出现的。
一、普通神经网络和PINN有什么区别？
假设我们希望预测一个反应器内部的浓度分布。
普通神经网络通常采用这样的方式：
输入空间坐标 (x,y)，输出浓度 (C)。
如果有大量实验数据或者数值模拟数据，就可以训练一个神经网络：
其中，代表神经网络内部需要训练的参数。
问题在于，这个网络并不知道什么是质量守恒，也不知道什么是扩散。
它只知道：
怎样让预测结果尽可能接近已有数据。
因此，当训练数据不足，或者模型需要预测训练范围之外的情况时，结果就可能偏离真实物理规律。
PINN则增加了一层约束。
假设这个浓度场满足对流---扩散方程：
那么神经网络预测得到 (C) 之后，可以利用自动微分直接计算：
再重新代回控制方程。
如果预测结果完全符合物理规律，那么：
于是可以定义一个"物理损失"：
神经网络不仅需要拟合数据，还必须尽可能降低控制方程残差。
因此，PINN真正改变的是神经网络的学习目标。
普通神经网络关注：
而PINN同时要求：
以及：
二、PINN为什么叫"物理信息"神经网络？
这里的"Physics-Informed"，并不是简单地给神经网络增加几个物理参数作为输入。
真正的核心是：
把物理控制方程直接嵌入神经网络的训练过程。
一个典型PINN的总损失函数可以写成：
其中：
-
：控制方程残差；
-
-
-
训练的过程，其实就是不断调节神经网络参数，让这些误差同时减小。
因此，从数学上看，PINN实际上是在寻找一个函数：
使它尽可能同时满足：
边界条件：
以及已有实验观测。
这也是PINN与普通机器学习最本质的区别。
三、PINN与有限元有什么不同？
有限元方法（FEM）通常首先对空间进行网格划分。
连续的物理区域被划分成大量单元：
然后在这些离散单元上求解控制方程。
COMSOL等多物理场软件，本质上就是建立在这类数值离散方法之上的。
PINN的思路则不同。
它不再首先构建一个大规模离散方程组，而是训练一个连续函数：
神经网络本身就是物理场的近似表达。
因此PINN经常被称为一种mesh-free方法。
训练完成后，我们可以给网络任意一个坐标：
直接得到：
等物理变量。
这也是PINN很有吸引力的一点：
它试图把"求解一个离散方程组"转化为"学习一个连续物理场函数"。
四、PINN最有价值的地方，并不一定是替代传统模拟
看到这里，很容易产生一个问题：
既然PINN可以求解PDE，是不是以后就不需要COMSOL或者有限元了？
目前并不是。
对于一个已经建立好的复杂多物理场模型，传统有限元往往仍然具有更成熟的数值稳定性和求解效率。
PINN真正有优势的地方，更多集中在以下几个方面。
1. 数据很少，但物理规律很清楚
传统机器学习通常需要大量数据。
PINN由于控制方程本身就在约束训练，因此即使实验数据有限，也可以利用物理规律缩小可能解的范围。
2. 反问题
正问题通常是：
例如：
而反问题则是：
例如根据出口浓度和局部测量数据反推出：
这类问题非常适合PINN。
因为未知参数本身也可以作为可训练变量，与神经网络参数一起优化。
3. 数据与物理模型融合
真实工程系统中，控制方程通常并不完美。
我们可能知道质量守恒，却不知道准确的反应速率表达式；
可能知道传质模型，却不确定某个有效扩散系数；
也可能只有少量实验出口数据。
PINN可以形成一种混合框架：
这实际上比单纯的"纯数据AI"更符合工程研究场景。
五、从"软约束"到"硬约束"
PINN还有一个非常值得注意的问题。
假设我们把PDE写进损失函数：
这里实际上只是告诉神经网络：
违反物理规律会增加Loss。
但并没有数学上保证：
一定严格成立。
这叫做Soft Constraint，软约束。
如果 太小，网络可能很好地拟合数据，却明显违反控制方程；
如果太大，又可能导致训练困难。
因此，近年来PINN的重要发展方向之一，就是：
如何让某些物理规律从"尽量满足"变成"必须满足"。
例如对于边界条件：
可以把神经网络输出直接写成：
并人为设计：
在边界处成立。
这样无论神经网络怎么训练，在边界上始终有：
这就是所谓的Hard Constraint，硬约束。
除此之外，还可以通过Penalty Method、Augmented Lagrangian Method等方法进一步强化PDE和工程约束。
PINN因此正在从：
"把物理规律加入Loss"
逐渐发展到：
"把物理规律直接写进神经网络结构与优化过程"。
六、PINN对于多物理场问题尤其有吸引力
真实工程系统往往不是单一物理场。
例如一个电化学反应器，可能同时存在：
对应的控制方程可能包括：
质量守恒：
动量守恒：
物质传递：
电荷守恒：
界面电化学动力学：
PINN理论上可以把这些控制方程同时写入一个统一Loss中。
于是网络学习的不再只是某一个浓度或者速度，而是整个：
到
之间的多物理场映射。
这也是PINN在反应器设计、流体力学、传热传质、电化学以及能源系统中受到越来越多关注的重要原因。
七、PINN目前还有哪些问题？
PINN很有潜力，但绝不是"万能PDE求解器"。
在复杂问题中，它仍然面临不少困难。
例如：
多尺度问题。
如果一个系统中同时存在毫米尺度流动和微米尺度边界层，神经网络可能很难同时学习。
高梯度区域。
激波、边界层、反应界面等区域的物理量变化非常剧烈，普通PINN容易训练失败。
Loss不平衡。
可能出现：
或者不同控制方程残差量级相差几个数量级。
此时神经网络往往优先优化某一部分，而忽略其他物理约束。
计算成本。
虽然PINN不需要传统网格，但训练神经网络本身并不便宜。尤其对于三维、瞬态、多组分、多物理场问题，自动微分可能带来非常高的计算成本。
因此，对PINN更合理的理解不是：
"它马上会替代有限元。"
而是：
它正在提供一种新的科学计算范式，让物理模型、实验数据和人工智能能够在同一个可微分框架中协同工作。
八、真正值得关注的，是"AI + Physics"
传统数值模拟的核心逻辑是：
传统机器学习则更像：
而PINN试图建立第三条路线：
这可能也是物理信息神经网络最重要的意义。
它并不是告诉我们：
"AI可以不要物理。"
恰恰相反。
PINN真正表达的是：
我们知道得越多，就越应该把这些知识告诉AI。
当质量守恒、动量守恒、能量守恒以及各种控制方程真正进入神经网络之后，AI就不再只是一个黑箱拟合工具，而开始逐渐成为一种可以与传统科学计算结合的物理建模工具。
这也许才是物理信息神经网络最值得期待的未来。