葛店小学张洪雨解Burgers-Fisher方程这件事，前几年我基本只用有限差分和有限元，网格剖分、数值稳定性、时间步长限制，哪一步都要反复调。后来改用物理信息神经网络（PINN）在Python里直接求解，思路一下子简单了很多：不用画网格，不用推导复杂的迎风差分格式，把偏微分方程本身当成损失函数的一部分，交给神经网络去逼近。这篇文章我就拿Burgers-Fisher方程当例子，把完整的设计思路、Python实现细节、训练调参经验和踩坑记录都摊开讲一遍，适合正在入门PINN、或者已经跑通简单Poisson方程但一碰非线性方程就发愁的读者。
1. 为什么用PINN解Burgers-Fisher方程：思路与选型
1.1 这个方程到底难在哪
Burgers-Fisher方程是Burgers方程和Fisher方程的耦合形式，典型写法是：
[
u_t + u u_x = \nu u_{xx} + \beta u(1-u)
]
左边第二项是对流项，当解出现陡峭梯度时，线性扩散压不住这种非线性对流，容易形成很薄的过渡层。右边第一项是扩散项，第二项是反应项，它会让解在0和1两个稳态之间切换。三个物理过程叠加在一起，对传统数值方法非常不友好：网格不够密、格式迎风性不好，迭代就会振荡；时间步长太大，反应前沿的位置就会偏移。我去查文献的时候发现，很多人拿这个方程测新算法，就是因为它能把“对流-扩散-反应”三种困难一次性凑齐。
传统做法里，我一般会在高梯度区域加密网格，再用隐式格式保证稳定性，调试周期很长。如果在二维或三维区域做，网格生成本身就是大工程。这也是我后来对PINN产生兴趣的直接原因：PINN不需要网格，只要在定义域里取点就行。
1.2 PINN的解法逻辑：把PDE变成优化问题
PINN的核心思路很朴素。设神经网络的参数为 (\theta)，网络的输入是时空坐标 ((x,t))，输出是近似解 (u_\theta(x,t))。如果这个近似解想成为方程的解，它必须满足三件事：方程残差为0、初始条件成立、边界条件成立。于是我把这三个要求全部写进损失函数，训练神经网络让损失最小化，得到一个满足方程约束的代理模型。
这里的“方程残差”不是靠差分离散算的，而是靠自动微分。神经网络本身是光滑函数，PyTorch或TensorFlow里一行代码就能求出它对输入的一阶导、二阶导，所以式子里的 (u_t)、(u_x)、(u_{xx}) 都能精确算出来，不会引入截断误差。这一点是物理信息神经网络最核心的优势：把偏微分方程求解变成无监督学习任务，数据点不是从实验来的，而是从方程本身采样的。
对比传统数值方法，PINN至少有三个优点：
- 无网格，复杂区域只需要采样点分布描述；
- 自动微分，不需要手推离散格式；
- 训练完得到一个连续可导的函数，任意坐标都能取值，不用插值。
当然，PINN也有代价，后面第4章我会专门讲训练不稳定和需要调参的问题。
1.3 为什么选Burgers-Fisher做验证
我一开始跑PINN用的是一维热传导方程，太简单，网络闭着眼都能拟合，学不到什么。换成Burgers-Fisher之后，才真正体会到哪些环节容易翻车。
选它做验证对象有几个原因。第一，它包含二阶导数项，可以检验自动微分和网络容量是否足够。第二，非线性强，能检验损失函数设计是否合理，尤其是残差点采样不足时能明显看到波动。第三，它仍然是一维问题，计算量不大，CPU就能在几分钟到十几分钟内跑完一轮实验，适合反复调参。
如果你也想复现这篇内容，强烈建议先在一维Burgers-Fisher上把流程跑通，再往二维、参数反演方向扩展。这个方程足够有挑战性，又不会让硬件成为瓶颈。
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. 方程、网络与损失函数：先把核心参数定明白
2.1 方程形式与初边值设置
我这次采用的方程形式和参数如下：
[
u_t + u u_x = \nu u_{xx} + \beta u(1-u)
]
计算域取：
[
x \in [-1, 1], \quad t \in [0, 1]
]
参数固定为：
- (\nu = 0.01)
- (\beta = 1.0)
初始条件取正弦分布：
[
u(x,0) = \sin(\pi x)
]
边界条件取Dirichlet零边界：
[
u(-1,t) = 0, \quad u(1,t) = 0
]
选这个初边值组合，是为了保证角点一致：在 (x=-1) 和 (x=1) 处，初始时刻函数值本身就是0，训练时初值损失和边界损失不容易打架。这个细节看着小，但实际影响很大。如果初始函数在边界上不为0，而你强制边界为0，网络会在角点附近反复振荡，损失下降得很慢。
有些文献用符号函数形状的初值来模拟行波解，但那种初值在边界上很难做到精确一致。我建议新手先用这种“自洽”的初边值组合，先把PINN跑通，再逐步增加难度。