简介：本资源面向从事科学计算与深度学习交叉研究的学习者，提供基于PINN物理信息网络的四套Python实现方案，分别覆盖离散时间识别、离散时间推理、连续时间识别与连续时间推理四类任务，适合需要复现物理约束神经网络、验证时间序列建模效果的科研人员与高年级学生。压缩包共559个文件，约475.95MB，以503个txt结果记录、13个py源码、12个csv误差表、9个eps与9个pdf图表文档、7个mat数据文件为主，另含少量pyc、yml、html、md与nb文件，便于直接运行与对照分析。内容预览中可见error_table、error_lambda_1_table、error_lambda_2_table等误差统计表，可用于评估不同正则权重下的识别与推理精度。目前已有1546人学习下载，读者可获取完整源码、实验数据与误差分析表格，快速搭建PINN实验流程并对比四类方法的性能差异。
1. 从四个代码包说起：PINN 做时间域识别到底在识别什么
拿到「基于 PINN 物理信息网络进行离散时间识别/离散时间推理/连续时间识别/连续时间推理方法」这个标题时，很多人第一反应是：这不就是把神经网络塞进微分方程里当正则项吗？但真正跑过 pinn 代码的人会告诉你，时间域的处理方式才是决定这套方案能不能收敛、能不能外推的核心变量。离散时间识别和连续时间识别，表面看只是采样点密度的差别，实际上对应两套完全不同的损失构造逻辑和网络输入组织方式。离散时间推理通常把时间步当作独立特征维度喂进去，网络学的是「从当前状态跳到下一状态」的映射；连续时间识别则要求网络输出对时间的导数参与物理残差计算，自动微分必须一路开到时间输入上。这四个代码包放在一起，恰好覆盖了 PINN 在时间维度上的两条主轴：识别（从观测数据反推方程结构或参数）和推理（给定方程正演未来状态），再各自切分成离散与连续两种时间处理范式。如果你正在做动力系统辨识、参数反演或者时序外推，又不想纯靠黑箱模型硬拟合，这套组合值得花时间跑通。下面我按自己复现时的顺序，把四个包拆开讲清楚每个的输入输出、关键参数和最容易翻车的地方。
2. 四个代码包的分工与最小复现路径
2.1 离散时间识别：从采样点反推方程系数
离散时间识别包的核心任务，是给定一组按固定步长采样的状态观测值，反推出控制方程的系数或形式。它不要求网络输出对时间的导数，而是把相邻两个时间步的状态拼成输入对，让网络学习状态转移关系，再通过物理残差约束转移关系符合某个候选方程族。常见做法是把候选方程写成线性组合形式，网络同时输出组合系数。
import torch import torch.nn as nn class DiscreteIdentifier(nn.Module): def __init__(self, state_dim, hidden=64): super().__init__() # 输入是相邻两步状态拼接，输出是候选基函数系数 self.net = nn.Sequential( nn.Linear(state_dim * 2, hidden), nn.Tanh(), nn.Linear(hidden, hidden), nn.Tanh(), nn.Linear(hidden, state_dim) # 输出状态增量 ) # 可学习的方程系数，初始化为小量 self.coeff = nn.Parameter(torch.randn(state_dim) * 0.01) def forward(self, x_t, x_next): delta_pred = self.net(torch.cat([x_t, x_next], dim=-1)) # 物理残差：预测增量与系数加权基函数之差 residual = delta_pred - self.coeff * x_t return delta_pred, residual这段代码里state_dim是状态变量个数，比如 Lorenz 系统就是 3。hidden控制网络容量，离散识别任务一般 64 到 128 够用，再大容易过拟合采样噪声。coeff是真正要识别的物理量，训练时它和网络权重一起更新，但学习率通常要单独调小，否则系数会震荡。损失函数由两部分组成：数据拟合项用 MSE 约束delta_pred逼近真实增量，物理残差项用 MSE 约束residual趋近零。实际跑的时候，物理残差项的权重从 0.01 开始往上加，加到 1.0 左右如果还不收敛，多半是候选基函数选错了。
2.2 离散时间推理：给定初始状态滚动预测
离散时间推理包和识别包共用状态转移网络结构，但目标不同：识别关心系数，推理关心多步预测精度。它的训练策略是 teacher forcing 和 free running 交替。teacher forcing 阶段用真实历史状态作为输入，free running 阶段用网络自己上一步的输出作为下一步输入，两者按比例混合。
def rollout(model, x0, steps): preds = [x0] x_cur = x0 for _ in range(steps): # 推理时没有真实下一步，用零增量占位后取网络输出 delta, _ = model(x_cur, x_cur) x_cur = x_cur + delta preds.append(x_cur) return torch.stack(preds, dim=1)rollout函数是推理包的核心，steps是滚动步数，一般设 20 到 50。步数太长梯度会爆炸，太短学不到长期行为。训练时每个 batch 先跑 teacher forcing 算一步损失，再跑 rollout 算多步累积损失，两者加权求和。权重比通常取 1:1，如果发现预测轨迹很快发散，把 rollout 损失权重提到 2 到 3。注意x_cur + delta这步没有除以任何缩放因子，所以状态变量的量纲要提前归一化到 [-1, 1] 附近，否则不同维度的增量尺度差异会让网络偏向大数值维度。
2.3 连续时间识别：自动微分贯穿时间轴
连续时间识别包要求网络输出对时间输入的导数，物理残差直接写成微分方程形式。这意味着时间t必须作为网络输入的一个维度，且开启requires_grad。常见做法是把状态和时间一起输入，网络输出状态估计，然后用torch.autograd.grad对时间求导。
def continuous_residual(model, t, x_obs): t = t.clone().detach().requires_grad_(True) x_pred = model(t) # 对时间求一阶导 dxdt = torch.autograd.grad( x_pred, t, grad_outputs=torch.ones_like(x_pred), create_graph=True )[0] # 以 Duffing 方程为例构造残差 d2xdt2 = torch.autograd.grad( dxdt, t, grad_outputs=torch.ones_like(dxdt), create_graph=True )[0] residual = d2xdt2 + 0.3 * dxdt - x_pred + x_pred ** 3 return residual这里create_graph=True是关键，少了它二阶导无法回传。t必须先 detach 再 requires_grad，否则计算图会重复挂载导致内存暴涨。残差表达式里的系数 0.3 和 1.0 是待识别量时，要写成nn.Parameter并在优化器里单独分组。连续时间识别对时间采样密度不敏感，但对时间区间长度敏感，区间太短学不到完整动力学，一般至少覆盖两个特征周期。
2.4 连续时间推理：从任意时刻外推
连续时间推理包把训练好的连续时间网络当作可微分的方程代理，给定初始条件后用 ODE 求解器积分到目标时刻。它不依赖固定步长，可以在任意时间点查询状态。
from torchdiffeq import odeint class ODEFunc(nn.Module): def __init__(self, net): super().__init__() self.net = net def forward(self, t, x): # 网络直接输出 dx/dt return self.net(t, x) def infer(model, x0, t_span): func = ODEFunc(model) # 使用 dopri5 自适应步长求解器 traj = odeint(func, x0, t_span, method='dopri5', rtol=1e-5, atol=1e-6) return trajtorchdiffeq是常见选择，dopri5适合非刚性系统，刚性系统换dopri5会极慢，改用rk4固定步长反而稳。rtol和atol控制积分精度，推理阶段可以比训练阶段放宽一个量级来提速。t_span是查询时间点张量，不要求等间距，这是连续时间推理相对离散推理的最大优势。
3. 四个包共用的训练循环与参数分组策略
3.1 损失函数的三项拆解与权重调度
四个包虽然任务不同，但损失函数结构高度一致：数据拟合项、物理残差项、初值或边界条件项。数据拟合项用观测点上的 MSE，物理残差项在配点上计算，初值项只在 t=0 附近生效。权重调度上，我一般用前 2000 步只开数据拟合，让网络先粗略拟合观测，再逐步加入物理残差，从 0.001 线性升到 1.0。如果一开始就三项全开，网络会在物理残差和数据拟合之间反复拉扯，表现为损失曲线剧烈震荡，血泪经验是宁可多花 2000 步预热。
def loss_schedule(step, total_steps): # 物理残差权重从 0 线性升到 1 lambda_phys = min(1.0, step / (total_steps * 0.3)) # 初值权重保持恒定 lambda_ic = 1.0 return lambda_phys, lambda_ictotal_steps是总训练步数，0.3是预热比例，可以按任务调到 0.2 到 0.5。lambda_phys升太快会导致残差项主导，网络输出退化为平凡解，比如全零输出让微分方程残差为零但完全不符合观测。
3.2 参数分组：网络权重与物理系数分开调
物理系数和网络权重的梯度尺度差异很大，放同一个优化器里用同一个学习率，要么系数不动，要么网络震荡。常见做法是分两组，网络权重用 Adam，学习率 1e-3，物理系数用 Adam 但学习率 1e-4，或者用 LBFGS 单独优化系数。
net_params = list(model.net.parameters()) coeff_params = [model.coeff] optimizer = torch.optim.Adam([ {'params': net_params, 'lr': 1e-3}, {'params': coeff_params, 'lr': 1e-4} ]) # 每 1000 步对系数做一次 LBFGS 精调 if step % 1000 == 0: lbfgs = torch.optim.LBFGS(coeff_params, lr=0.1) def closure(): lbfgs.zero_grad() loss = compute_loss(model) loss.backward() return loss lbfgs.step(closure)LBFGS 的lr设 0.1 到 0.5，步数不用多，5 到 10 步就够。注意 LBFGS 的 closure 里必须重新计算损失，不能复用之前的计算图。如果系数识别结果在真值附近来回跳，把 LBFGS 频率降到每 2000 步一次。
3.3 配点采样：离散与连续的关键差异
离散时间包的配点就是观测时间步本身，不需要额外采样。连续时间包需要在时间区间内随机采配点，配点数量一般取观测点数的 2 到 5 倍。配点太少物理约束覆盖不全，太多则单步计算量上升。我一般用拉丁超立方采样在时间轴上撒点，避免均匀采样和观测点重合导致残差项虚低。
def sample_collocation(t_min, t_max, n_points): # 拉丁超立方采样，保证时间轴覆盖均匀 intervals = torch.linspace(t_min, t_max, n_points + 1) u = torch.rand(n_points) t_col = intervals[:-1] + u * (intervals[1:] - intervals[:-1]) return t_col.unsqueeze(-1).requires_grad_(True)n_points取 500 到 2000，视时间区间长度和动力学复杂度定。requires_grad_(True)必须在采样后立刻加上，否则连续时间残差计算会报错。
4. 避坑与排查：四个包跑不通时先看这几条
4.1 损失降不下去但梯度正常
现象：训练几百步后总损失卡在某个值，梯度范数不为零但参数几乎不动。原因通常是物理残差项和数据拟合项量纲差异过大，比如状态变量在 1e-3 量级而残差在 1e3 量级，Adam 的自适应学习率被大量纲项主导。解决：对状态变量做归一化，或者给物理残差项乘一个尺度因子，让两项在数值上接近。我一般先打印两项损失的初始值，比值超过 100 倍就先调尺度。
4.2 连续时间识别报「element 0 of tensors does not require grad」
现象：调用torch.autograd.grad时提示输入不需要梯度。原因通常是时间张量在传入网络前被 detach 了，或者网络第一层没有接收时间输入。解决：检查t是否在采样后立刻requires_grad_(True)，检查网络 forward 是否把t拼进了输入。另一个常见原因是torch.no_grad()上下文没退出，训练循环里混用了推理代码。
4.3 离散推理 rollout 几步后数值爆炸
现象：free running 阶段预测轨迹在 5 到 10 步后跳到 1e6 量级。原因有两个：一是状态没归一化，增量累加后放大；二是 rollout 损失权重太高，网络为了压低多步损失牺牲了单步精度。解决：先确认输入数据在 [-1, 1] 内，再把 rollout 损失权重从 1.0 降到 0.3 到 0.5，同时把 rollout 步数从 50 降到 20。如果还炸，在 rollout 里加梯度裁剪，torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)。
4.4 物理系数识别结果对初值敏感
现象：换一组网络初始化，识别出的系数差异超过 20%。原因通常是物理残差项权重升得太快，网络还没拟合好观测就被物理约束带偏。解决：把预热步数从 2000 提到 5000，物理残差权重上限从 1.0 降到 0.5，同时用 LBFGS 对系数做多轮精调。如果系数仍然跳，考虑给系数加一个 L2 正则，约束它不要离初始猜测太远。
4.5 ODE 求解器推理速度极慢
现象：连续时间推理用dopri5跑 1000 个时间点要几分钟。原因是非刚性求解器在刚性系统上步长被压得极小。解决：先判断系统刚性，如果状态变量变化速率差异超过两个量级，换rk4固定步长，步长取时间区间长度的 1/500。如果必须用自适应求解器，把rtol和atol从 1e-6 放宽到 1e-4，速度能提升 5 到 10 倍，精度损失在可视化上通常看不出来。
5. 进阶技巧：用连续时间识别包做参数反演与方程发现
四个包里最有延展性的是连续时间识别包，因为它把方程结构显式地写进了残差，改残差表达式就能切换任务。我一般把它当方程发现工具用：先假设一个候选基函数库，让网络输出基函数系数，再对系数做稀疏化。
class SparseIdentifier(nn.Module): def __init__(self, n_basis, hidden=64): super().__init__() self.net = nn.Sequential( nn.Linear(2, hidden), nn.Tanh(), nn.Linear(hidden, hidden), nn.Tanh(), nn.Linear(hidden, 1) ) # 基函数系数，加 L1 正则促稀疏 self.xi = nn.Parameter(torch.randn(n_basis) * 0.01) def forward(self, t): return self.net(t) def residual(self, t, x_pred, dxdt, basis): # basis 是基函数值矩阵，形状 [n_points, n_basis] coeff = basis @ self.xi return dxdt - coeffn_basis是候选基函数个数，比如多项式项、三角函数项、常数项。xi是待发现的系数向量，训练时加 L1 正则，lambda_l1从 1e-4 开始，逐步升到 1e-2。训练结束后，xi里接近零的项对应不存在的基函数，非零项就是方程结构。这个方法对噪声敏感，观测噪声超过 1% 时，xi的稀疏性会变差，需要先做数据平滑或者增加观测点数。
验证识别结果是否可信，我习惯用两步：第一步，把识别出的方程代回 ODE 求解器，看预测轨迹和观测轨迹的 RMSE 是否在噪声水平附近；第二步，换一组不同初始条件的观测数据，用同一套超参重新识别，看系数是否一致。两步都过了，才认为方程结构可信。如果第一步过第二步不过，多半是观测数据覆盖的状态空间不够，需要补充不同区域的采样。
这套方案值不值得投入，取决于你的数据条件。离散时间包对采样步长敏感，适合观测密集且等间隔的场景；连续时间包对采样密度不敏感，适合观测稀疏但时间跨度长的场景。四个包加起来代码量不大，但每个包的参数分组和损失调度都需要按任务微调，没有一套超参能通吃。我自己的习惯是先把离散时间识别跑通，确认数据质量和候选方程族没问题，再切到连续时间包做精细反演。希望帮到你。
本文还有配套的精品资源，点击获取
