【PINN】DeepXDE学习训练营(39)——pinn_forward-Helmholtz_Dirichlet_2d.py

最新推荐文章于 2025-08-15 09:50:45 发布

灵犀拾荒者

最新推荐文章于 2025-08-15 09:50:45 发布

阅读量780

点赞数 30

CC 4.0 BY-SA版权

分类专栏： Py PINN 文章标签：学习神经网络 PINN 人工智能深度学习

本文链接：https://blog.csdn.net/2303_77200324/article/details/148188641

Py 同时被 2 个专栏收录

84 篇文章

订阅专栏

PINN

39 篇文章

订阅专栏

一、引言

随着人工智能技术的飞速发展，深度学习在图像识别、自然语言处理等领域的应用屡见不鲜，但在科学计算、工程模拟以及物理建模方面，传统的数值方法仍然占据主导地位。偏微分方程（Partial Differential Equations, PDEs）作为描述自然界中众多复杂现象的重要数学工具，在物理、化学、工程、金融等领域具有广泛应用。然而，伴随着高维度、多变量、复杂边界条件等挑战，传统数值求解方法面临效率低、适应性差等困境。

近年来，深度学习的崛起为科学计算带来了全新的解决思路。其中，以深度偏微分方程（Deep PDE）为代表的研究方向，通过结合神经网络与偏微分方程的理论，成功开发出高效、灵活的求解方案。这种方法不仅可以克服传统方法的局限，还能应对高维、复杂几何等问题。

作为深度偏微分方程领域的开源工具库，DeepXDE（Deep Learning for Differential Equations）由lululxvi团队精心开发，凭借其强大的功能、易用的接口和丰富的示例，受到学术界与工业界的广泛关注。本文将系统介绍DeepXDE的基本内容与应用价值，深入探讨其核心技术原理，分享环境配置与运行技巧，并结合实际案例进行分析，最后对未来发展趋势进行展望。

二、DeepXDE的用途

DeepXDE，一个基于TensorFlow和PyTorch的深度学习微分方程求解库，应运而生。它提供了一个简洁、高效且易于使用的框架，使得研究人员和工程师能够利用深度学习技术求解各种类型的微分方程，包括常微分方程（ODEs）、偏微分方程（PDEs）、积分微分方程（IDEs）以及分数阶微分方程（FDEs）。

DeepXDE旨在提供一站式的深度学习框架，用于高效求解各种偏微分方程，包括但不限于：

1. 传统偏微分方程求解

定常和非定常问题：热传导方程、波动方程、拉普拉斯方程、扩散方程等。
线性和非线性方程：支持线性边界条件，也能处理非线性、非局部问题。

2. 高维偏微分方程

在高维空间中，传统数值方法面临“维数灾难”。DeepXDE利用神经网络天然的高维逼近能力，有效解决高维PDE，如贝尔曼方程、多体问题等。

3. 复杂几何和边界条件

支持任意复杂的几何区域、非均匀边界条件，极大扩展了求解的适用范围。

4.参数逆问题和数据驱动建模

整合数据，使模型在已知部分信息的基础上进行参数识别、反演问题求解。

5. 动态系统和时间演化

支持带有时间变量的演化问题，模拟动态过程。

6. 结合有限元、有限差分等方法

虽然核心为神经网络，但兼容各种数值方法，提供灵活的求解策略。

7. 教育科研与工程实践

丰富的案例与接口帮助科研人员快速验证理论，工程师实现快速设计优化。

总结而言，DeepXDE不仅是一个纯粹的数学工具，更是工程实践中的“聪明助手”，帮助用户以信赖深度学习的方式突破传统技术瓶颈，实现创新性的科学计算。

三、核心技术原理

DeepXDE的核心思想是利用神经网络作为逼近器，通过构造损失函数，使网络能在满足偏微分方程边界条件的前提下逼近真实解。以下详细阐释其原理基础。

1. 神经网络逼近偏微分方程解

假设待求解的偏微分方程可以写成：

$\mathcal{N}[u](x)=0,x\in\Omega,$

配合边界条件

$\mathcal{B}[u](x)=g(x),x\in\partial \Omega,$

这里， $\mathcal{N}$ 代表微分算子， $\mathcal{B}$ 代表边界条件算子。

DeepXDE利用深度神经网络 𝑢𝜃(𝑥) 作为解的逼近，参数为 𝜃 。通过自动微分（AutoDiff），网络可以自然求出 𝑢𝜃 的各阶导数，从而在网络定义的每个点上计算微分方程的残差。

2. 损失函数设计

训练模型的目标是最小化残差，使神经网络逼近满足偏微分方程的解。损失函数由两部分组成：

方程残差部分：

$\mathcal{L}_{\mathit{PDE}}=\frac{1}{N_{f}}\sum_{i=1}^{N_{f}}|\mathcal{N}[u_{ \theta}](x_{f}^{(i)})|^{2},$

其中， $x{_{f}}^{(i)}$ 为采样点，用于评估微分残差。

边界条件部分：

$\mathcal{L}_{\mathit{BC}}=\frac{1}{N_{b}}\sum_{i=1}^{N_{b}}|\mathcal{B}[u_{ \theta}](x_{b}^{(i)})-g(x_{b}^{(i)})|^{2},$

结合整体目标函数：

$\mathcal{L}(\theta)=\lambda_{f}\mathcal{L}_{\mathit{PDE}}+\lambda_{b} \mathcal{L}_{\mathit{BC}},$

这里 $\lambda {_{f}}$ 、 $\lambda {_{b}}$ 为调节系数。

3. 自动微分（AutoDiff）技术

深度学习框架如TensorFlow或PyTorch提供自动微分功能，方便快速计算神经网络输入的微分，自动应用链式法则求导，极大简化偏微分方程的数值差分表达。

4. 训练优化方法

利用成熟的梯度下降（SGD）、Adam等优化算法，通过反向传播调节神经网络参数，使损失函数达到最小。

5. 样本生成和采样策略

采样点生成：采用随机采样、拉丁超立方（Latin Hypercube Sampling）或网格采样来选取训练点。
自适应采样：在训练过程中，根据误差分布调整采样点，提高训练效率。

6. 复杂边界与几何的处理

采用非结构化的几何描述和SDF（Signed Distance Function）结合，保证不同几何形状的灵活支持。

7. 逆问题与数据融合

在已知数据集上引入数据损失，使模型不仅满足PDE，也通过端到端训练实现数据匹配，增强实际适用性。

五、代码详解

"""支持的后端：tensorflow.compat.v1、tensorflow、pytorch、paddle"""
import deepxde as dde
import numpy as np

# 一些通用参数设置
n = 2  # 代表波的次数/模式数，用于定义波长和频率
precision_train = 10  # 训练数据的精度（网格点密度）
precision_test = 30   # 测试数据的精度
hard_constraint = True  # 是否使用硬约束（强制边界条件）
weights = 100  # 软约束时的损失权重系数
iterations = 5000  # 训练迭代次数
parameters = [1e-3, 3, 150, "sin"]  # [学习率, 隐藏层数, 每层节点数, 激活函数]

# 定义激活函数sin，兼容不同后端
if dde.backend.backend_name == "pytorch":
    sin = dde.backend.pytorch.sin
elif dde.backend.backend_name == "paddle":
    sin = dde.backend.paddle.sin
else:
    from deepxde.backend import tf
    sin = tf.sin

# 解包参数
learning_rate, num_dense_layers, num_dense_nodes, activation = parameters

# 定义偏微分方程 (PDE)，x为输入，y为输出（解的近似）
def pde(x, y):
    # 计算二阶偏导数（拉普拉斯算子中的x和y方向的二阶导数）
    dy_xx = dde.grad.hessian(y, x, i=0, j=0)
    dy_yy = dde.grad.hessian(y, x, i=1, j=1)
    
    # 定义源项f(x)，这里用正弦函数
    f = k0 ** 2 * sin(k0 * x[:, 0:1]) * sin(k0 * x[:, 1:2])
    # PDE的残差表达式
    return -dy_xx - dy_yy - k0 ** 2 * y - f

# 定义解析解（仅供比较和验证）
def func(x):
    return np.sin(k0 * x[:, 0:1]) * np.sin(k0 * x[:, 1:2])

# 将模型输出变换为带有边界条件的解（硬约束时使用）
def transform(x, y):
    # 乘以边界乘子，确保在边界上满足条件
    res = x[:, 0:1] * (1 - x[:, 0:1]) * x[:, 1:2] * (1 - x[:, 1:2])
    return res * y

# 定义几何区域：二维正方形[0,1]x[0,1]
geom = dde.geometry.Rectangle([0, 0], [1, 1])

# 计算波长和波数
k0 = 2 * np.pi * n  # 波数，对应n个波
wave_len = 1 / n  # 波长

# 训练集的空间采样间距
hx_train = wave_len / precision_train
nx_train = int(1 / hx_train)  # 训练点在每个方向的个数

# 测试集的空间采样间距
hx_test = wave_len / precision_test
nx_test = int(1 / hx_test)  # 测试点在每个方向的个数

# 设置边界条件
if hard_constraint:
    bc = []  # 硬约束时不定义边界条件（在网络中内嵌边界条件）
else:
    # 软约束：定义Dirichlet边界条件（边界值为0）
    bc = dde.icbc.DirichletBC(geom, lambda x: 0, boundary)

# 构建PDE数据集
data = dde.data.PDE(
    geom,
    pde,
    bc,
    num_domain=nx_train ** 2,        # 训练域点数（网格点数）
    num_boundary=4 * nx_train,      # 边界点数
    solution=func,                  # 已知解，用于验证
    num_test=nx_test ** 2,          # 测试点数
)

# 构建前馈神经网络（FNN）
net = dde.nn.FNN(
    [2] + [num_dense_nodes] * num_dense_layers + [1],  # 输入层2个节点（x,y），隐藏层配置，输出1个节点（u结的值）
    activation,
    "Glorot uniform"  # 初始化方法
)

# 如果使用硬约束（强制边界条件），在网络输出层施加变换
if hard_constraint:
    net.apply_output_transform(transform)

# 构建模型
model = dde.Model(data, net)

# 编译模型
if hard_constraint:
    # 硬约束：不需要损失函数中的边界条件
    model.compile("adam", lr=learning_rate, metrics=["l2 relative error"])
else:
    # 软约束：在损失中加入边界条件的惩罚项，加权参数weights
    loss_weights = [1, weights]
    model.compile(
        "adam",
        lr=learning_rate,
        metrics=["l2 relative error"],
        loss_weights=loss_weights,
    )

# 训练模型
losshistory, train_state = model.train(iterations=iterations)

# 绘制训练过程中的误差变化图
dde.saveplot(losshistory, train_state, issave=True, isplot=True)

这段代码定义了一个二维区域内的偏微分方程问题（涉及正弦函数的谐振子），使用DeepXDE框架构建神经网络模型，支持硬约束（在网络结构中内嵌边界条件）或软约束（在损失中施加边界条件），并进行训练和结果可视化。整个过程参数可调，适应不同的模拟需求。