马蕾医生PINN这两年算是科学计算与深度学习交叉领域里最热的关键词之一。用torch从零实现一个能求解二维Helmholtz方程的物理信息神经网络，说起来就三件事：把网络搭出来、把方程残差写进损失函数、把训练跑通。但真正动手之后，你会发现文档里没写的坑比想象中多，尤其是方程带有波数（频率）的时候，网络会表现得很“偏科”——先学低频轮廓，高频振荡部分怎么训都学不动。这篇文章就把我实际跑通的经验完整复盘一遍，包括可复现的Python代码、损失函数构造逻辑、以及高频问题下的调试手段。无论你是刚接触PINN的新手，还是已经在其他方程上跑过、想转向Helmholtz方程的读者，这篇文章都能让你少走不少弯路。
1. 为什么“有物理约束”的神经网络能解偏微分方程
很多人第一次听到PINN时会有一个疑问：神经网络不是靠数据训练吗？求解偏微分方程哪来的标签数据？这个问题的答案，恰恰是PINN整个方法最核心的出发点——它不依赖标签数据，而是把物理方程本身变成监督信号。你不需要事先知道解在某个点是多少，只需要要求神经网络输出的函数在任意一个点上“尽可能满足物理规律”。
我刚接触这个概念时，觉得最妙的地方在于：传统数值方法（比如有限差分、有限元）是把求解区域划分成网格，然后在每个网格节点上构造离散方程；PINN则是把解表示成一个连续函数，这个函数由神经网络的权重参数决定。你不需要网格，只需要在区域内采样点，然后把采样点上的方程残差算出来，让残差尽量小。这本质上是一个优化问题，不是离散逼近问题。
1.1 PINN和普通神经网络回归的本质区别
普通神经网络做回归时，输入是$x$，输出是$y$，训练数据是$(x_i, y_i)$这样的成对样本，损失函数一般是预测值和真实值之间的均方误差。这种模式在数据充足时很好用，但遇到偏微分方程求解就尴尬了：解析解往往是未知的，你没有大量精确的标签。
PINN换了个思路。它仍然用一个神经网络$u_{\theta}(x, y)$来表示解，但不需要解的真实值作为标签。对于含源项的Helmholtz方程，我们可以构造这样的损失：
[
\mathcal{L} = \frac{1}{N_f}\sum_{i=1}^{N_f} \left( \nabla^2 u_{\theta}(x_i, y_i) + k^2 u_{\theta}(x_i, y_i) - f(x_i, y_i) \right)^2 + \frac{1}{N_b}\sum_{j=1}^{N_b} \left( u_{\theta}(x_j, y_j) - g(x_j, y_j) \right)^2
]
第一项是内部点的PDE残差，第二项是边界条件的残差。网络在优化过程中不断调整参数，使得它输出的函数在所有采样点上同时满足方程和边界条件。这个思路的关键在于：我们不需要知道解本身，只需要知道方程告诉我们的“解应该满足什么规律”。
1.2 万能逼近定理与自动微分：两个轮子缺一不可
光有想法还不够，两个技术前提缺一不可。第一个是神经网络本身具有强大的函数逼近能力。万能逼近定理告诉我们，一个足够宽的双层前馈神经网络可以以任意精度逼近任意连续函数。这意味着只要参数足够多、训练足够充分，网络完全有能力表达Helmholtz方程的解函数。
第二个是自动微分。方程里带了拉普拉斯算子$\nabla^2$，也就是二阶偏导数。传统数值方法用差分近似来算导数，但PINN不需要做任何离散近似，而是直接对神经网络的输出做自动微分，精确到机器精度。PyTorch的torch.autograd.grad接口可以很轻松地对网络输出求一阶、二阶偏导，这就是用torch实现PINN特别顺手的原因。
我们可以用一个生活化类比来理解：有限差分方法就像拿尺子量一条曲线的斜率，你只能靠很近的两个点近似；自动微分则是直接根据函数表达式算出准确的导数公式，然后把数值代进去，得到的值是精确的。对PINN来说，高阶导数的精确计算至关重要，因为损失函数里一旦出现二阶导，误差会指数级放大的。
1.3 损失函数是怎么把物理方程“翻译”成优化的
PINN的损失函数设计是整个方法的地基。从数学上理解，求解PDE的过程就是在满足边界条件的函数空间中找一个让方程成立的函数。PINN把这个问题转化成一个无约束优化问题：我们不再要求每个点上方程严格成立（那太难了），而是让方程残差的均方误差最小化。这个思路和最小二乘法如出一辙。
具体到代码层面，最关键的步骤是：
- 在求解区域内部随机采样$N_f$个点，计算
pde_loss。 - 在边界上采样$N_b$个点，计算
bc_loss。 - 两个损失相加，做梯度下降更新网络参数。
我在实际使用中会监控两个loss分量的比例。如果pde_loss占绝对主导，说明边界条件还没学好，模型会“自由发挥”；如果bc_loss占主导，说明内部方程还没被满足。两者的相对大小本身就是一张很好的体检报告。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 二维Helmholtz方程对PINN来说难过在哪
Helmholtz方程在物理里非常常见，声波传播、电磁场模式分析、地震波模拟都会遇到。二维无源Helmholtz方程标准形式是：
[
-\nabla^2 u - k^2 u = f(x, y)
]
$k$是波数，代表波的振荡快慢。$k$越大，解的空间振荡越剧烈。加源项$f(x, y)$之后，它就有了解析解存在的可能，方便我们验证结果。
2.1 方程长什么样，符号约定先说清楚
我见过不少文章在符号上有出入，有的写$\nabla^2 u + k^2 u = f$，有的写$-\nabla^2 u = k^2 u$。不同符号约定会改变源项$f$和边界条件的正负号，初次接触很容易被绕进去。为避免歧义，本文采用我实际测试用的形式：
[
\nabla^2 u + k^2 u = f(x, y)
]
二维情况下$\nabla^2 u = \frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2}$。求解区域取单位正方形$[0,1] \times [0,1]$，边界条件这里用最简单的Dirichlet齐次边界：四条边上$u=0$。