企业官网建设流程全解析

简介：基于MATLAB的物理信息神经网络（PINN）求解一维亥姆霍兹方程资源包，面向具备数值计算和深度学习基础的研究者与工程师，适用于声学、电磁学及量子力学中的频域波动问题。资源共10个.m文件，压缩包约5KB，代码量虽小但流程完整，涵盖参数向量化转换、网络结构构建、损失函数定义、参数初始化以及L-BFGS优化调用等关键环节。main.m作为程序入口整合各模块，buildNet.m搭建网络层与激活函数，modelLoss.m和objectiveFunction.m分别负责物理残差与边界条件惩罚项及整体优化目标，initializeHe.m等文件提供初始化策略，用户可直接运行并修改扩展。已有313人学习下载，适合希望快速上手PINN求解偏微分方程、对比传统数值离散方法的MATLAB用户。通过这套代码，可系统理解PINN的建模思路与工程实现细节，为后续求解复杂波动方程或拓展至高维问题奠定基础。

1. 从"网格依赖"到"无网格优化"：PINN 解 1D 亥姆霍兹方程到底解决了什么

做声学仿真或电磁场计算的人，对 1D 亥姆霍兹方程都不陌生：它本质上是频域波动方程，描述声压或电场在单一方向上的分布。传统做法是用有限元或有限差分，把求解域切成网格，组装刚度矩阵，然后解一个大型稀疏线性方程组。这套流程成熟、稳定，但有一个绕不开的痛点：网格质量直接决定结果精度，而高频工况下网格要加密到让人肉疼的程度。更麻烦的是，一旦边界形状或材料参数变了，网格得重新划分，整套矩阵组装流程也跟着重来。

PINN（物理信息神经网络）的思路完全反过来——它不切网格，而是把一个满足方程和边界条件的函数用神经网络来表示。训练过程中，损失函数直接包含方程残差和边界条件残差，通过自动微分计算导数，把偏微分方程求解变成一个优化问题。这个做法天然适合 MATLAB 中的深度学习工具箱，因为你只需要定义网络结构、拼损失函数、调优化器，剩下的事交给计算图。

这篇笔记面向两类人：一类是有 MATLAB 基础、想用 PINN 做快速原型验证的工程师；另一类是正在调研"PINN 在频域问题里到底能不能打"的研究者。我会先从理论层面把损失函数的设计逻辑讲清楚，再给出一个可直接运行的 1D 亥姆霍兹方程求解代码，最后把我的踩坑经历和调参策略一并交代。这篇文章不是科普，是我实际跑通过一遍之后沉淀下来的完整落地方案。

2. 从强形式到弱形式：PINN 如何把亥姆霍兹方程变成损失函数

2.1 为什么选残差形式而不选变分形式

传统有限元处理亥姆霍兹方程，用的是弱形式：两边乘测试函数、分部积分、引入边界条件。PINN 不这么做，它直接把微分方程在配点上的残差当成损失项来最小化。这个选择有实际理由：弱形式需要积分计算，而 PINN 的损失函数在数学上可以写成一个期望值，用采样点求和来近似；如果写成残差平方和，连积分都不用算，直接对配点的导数做数值求值即可。

具体来说，考虑如下 1D 亥姆霍兹方程：

[ \frac{d^2 u}{dx^2} + k^2 u = f(x), \quad x \in [0, L] ]

边界条件取 Dirichlet 型：(u(0)=a, u(L)=b)。这里的 (k) 是波数，代表物理频率参数。PINN 的做法是把 (u(x)) 用神经网络 (u_\theta(x)) 代替，其中 (\theta) 是网络的权重和偏置。损失函数分成两部分：

[ L = \lambda_{PDE} \cdot \frac{1}{N_P} \sum_{i=1}^{N_P} \left| \frac{d^2 u_\theta(x_i)}{dx^2} + k^2 u_\theta(x_i) - f(x_i) \right|^2 + \lambda_{BC} \cdot \left( |u_\theta(0)-a|^2 + |u_\theta(L)-b|^2 \right) ]

第一项是方程残差，逼迫网络在内部配点上满足原方程；第二项是边界残差，逼迫网络在端点满足边界条件。(\lambda_{PDE}) 和 (\lambda_{BC}) 是权重系数，用来平衡两项的量级差异。这是 PINN 里最重要的超参数之一，我后面会专门讲。

2.2 为什么边界条件权重不能随便设

理论上，只要权重大于零，优化最终都能收敛。但实践中边界权重大小直接决定收敛速度和精度。原因很简单：方程残差是一个分布式的约束，分布在所有内部点上；而边界残差只约束两个点。如果边界损失太小，网络会优先把内部残差压到很小，但边界处的值可能偏离很远；反过来，如果边界损失太大，内部方程可能被牺牲，物理正确性没有保障。

在我的实验中，一个典型的翻车现象是：边界残差降到了 (10^{-6}) 以下，看着很漂亮，但画出解曲线后，中间区域的波动形态跟解析解明显对不上。这说明 PDE 残差和边界残差之间的平衡被打破了。常见做法是先固定 (\lambda_{PDE}=1)，然后按边界项的数量和内部配点数目的比值来缩放 (\lambda_{BC})。1D 情况下边界只有两个点，我会把 (\lambda_{BC}) 设在 1 到 10 之间，具体数值要通过少量试跑来确定。

另外要提一点：PINN 求解亥姆霍兹方程和求解扩散方程的一个显著区别是，亥姆霍兹方程的解带有振荡特性。波数 (k) 越大，解的空间振荡越快，网络需要越深越宽才能拟合出这种快速变化。换句话说，PINN 对亥姆霍兹方程的能力边界受制于网络容量和配点密度的双重限制，不是所有频率都能轻松突破的。

3. 用 MATLAB 搭建最小可复现的 PINN：从网络定义到训练循环

3.1 MATLAB 中的深度学习工具箱怎么选网络结构

MATLAB 从 R2019b 之后推出了一整套用于自定义训练循环的 API，包括dlnetwork、dlarray、extractdata等。对于 PINN 这种需要在损失函数里计算二阶导数的场景，我们不走trainNetwork这条路，因为那个接口不允许自定义损失函数。正确做法是用dlnetwork定义网络，然后在dlfeval里调用自定义函数，用dlgradient计算梯度。

网络结构方面，我测试过两种方案：全连接网络和带残差连接的全连接网络。对于 1D 亥姆霍兹方程，全连接网络已经足够，只要能保证足够的宽度和深度即可。为了处理二阶导数，激活函数必须至少二阶可导，所以 ReLU 这类分段线性激活函数不能用。我建议用tanh，它在整个定义域上无限光滑，且导数计算稳定。下面是搭建加训练的关键代码：

% 定义网络：输入维度1（坐标x），输出维度1（解u），3个隐藏层，每层64个神经元 layers = [ featureInputLayer(1, 'Normalization', 'none') fullyConnectedLayer(64) tanhLayer fullyConnectedLayer(64) tanhLayer fullyConnectedLayer(64) tanhLayer fullyConnectedLayer(1)]; net = dlnetwork(layers);

这段代码的核心是featureInputLayer(1)定义单个坐标输入，fullyConnectedLayer加tanhLayer反复堆叠，最后输出一个标量。选择 64 个神经元和 3 个隐藏层，是我在波数 (k) 不超过 20 的情况下测试出来的合理配置，既能拟合振荡解，又不会让训练太慢。如果你的波数更大，建议把隐藏层加到 4 到 5 层，宽度加到 128。

3.2 训练循环：ADAM 起步，L-BFGS 收尾

损失函数需要计算网络输出对输入的二阶导数。MATLAB 提供dlgradient能自动完成这件事，不需要你手推链式法则。关键点在于，dlgradient只能在dlfeval的上下文里调用，而且必须在一个自定义函数内部完成前向传播和梯度计算。下面是核心的损失函数定义：

function [loss, grads] = modelLoss(net, x, x0, u0, xL, uL, k) % 前向传播：预测内部点和边界点的解 u = forward(net, x); % 内部点预测值 u0_pred = forward(net, x0); % 左边界预测值 uL_pred = forward(net, xL); % 右边界预测值 % 计算一阶导数和二阶导数 du = dlgradient(u, x); % 一阶导数 d2u = dlgradient(du, x); % 二阶导数 % PDE残差：亥姆霍兹方程 d2u/dx2 + k^2*u = 0（这里取齐次形式） fPDE = d2u + k^2 * u; lossPDE = mean(fPDE.^2, 'all'); % 边界残差 lossBC = mean((u0_pred - u0).^2, 'all') + mean((uL_pred - uL).^2, 'all'); % 总损失，lambda_BC 设为 5 loss = lossPDE + 5 * lossBC; % 计算网络参数梯度 grads = dlgradient(loss, net.Learnables); % 为了后续绘图，把数值取出来 loss = extractdata(loss); end

这个函数的关键数学逻辑在fPDE = d2u + k^2 * u这一行，它就是把偏微分方程的左边直接用网络输出的导数表示出来。如果方程有源项，比如右边不是零而是 (f(x))，就在这里做一个减法。训练时不需要extractdata特别早，因为dlgradient需要在dlarray类型上操作，但最后取出来是为了方便打印 loss 值。

接下来是训练循环本身。这里有一个值得注意的细节：PINN 训练通常先用 ADAM 做几百轮粗调，再用 L-BFGS 精修。原因在于，ADAM 的收敛虽然稳定且不容易发散，但到最后阶段往往在某个精度附近徘徊；L-BFGS 作为二阶优化方法，可以在接近解的区域快速收敛，精度高一个量级。不过，MATLAB 的dlfeval配合 L-BFGS 有一点坑：你需要手动把net.Learnables拼成一个向量，然后让优化器在这个向量上迭代。下面给出 ADAM 阶段的训练代码：

% 采样配置点：内部点1000个，边界点各1个 numInternal = 1000; x = dlarray(linspace(0, 1, numInternal)', 'BC'); x0 = dlarray(0, 'BC'); xL = dlarray(1, 'BC'); u0 = 0; uL = 0; % 齐次Dirichlet边界 k = 10; % 波数 % 初始化ADAM优化器参数 trainParams = struct(); trainParams.learnRate = 0.001; trainParams.gradientDecayFactor = 0.9; trainParams.squaredGradientDecayFactor = 0.999; trainParams.epsilon = 1e-8; averageGrad = []; averageSqGrad = []; % 训练1500轮 numEpochs = 1500; for iter = 1:numEpochs [loss, grads] = dlfeval(@modelLoss, net, x, x0, u0, xL, uL, k); [net, averageGrad, averageSqGrad] = adamupdate(net, grads, averageGrad, averageSqGrad, iter, trainParams); % 每100轮打印一次loss if mod(iter, 100) == 0 fprintf('Iter %d, Loss: %.6e\n', iter, loss); end end

这里adamupdate是 MATLAB 深度学习工具箱自带函数，不需要手动实现动量项。配置点的数量numInternal = 1000在 1D 问题里已经足够，因为求解域被 1000 个点覆盖，平均间距只有千分之一，足以分辨波数 10 对应的振荡波长。如果你把波数调到 30 以上，配点密度就得相应增加，至少 2000 到 3000 个。

3.3 用解析解做验证：算完必须做的一件事

光看 loss 降到多少没有意义，因为 loss 值只代表你在加权意义上同时满足了 PDE 残差和边界残差，不代表解本身是物理正确的。对于 1D 齐次亥姆霍兹方程，解析解可以写出来，形式是：

[ u(x) = A\sin(kx) + B\cos(kx) ]

通过边界条件 (u(0)=0, u(1)=0) 可以推出 (B=0)，且 (k) 必须满足 (\sin(k)=0)，也就是说 (k) 必须是 (\pi) 的整数倍。为了让解析解存在且匹配零边界条件，下面验证代码中把波数设为 (k=\pi)，这时候解析解是 (\sin(\pi x))。对比代码：

% 解析解：k = pi时，u(x) = sin(pi * x) x_plot = linspace(0, 1, 200)'; u_exact = sin(pi * x_plot); u_pred = extractdata(forward(net, dlarray(x_plot, 'BC'))); % 最大绝对误差 err = max(abs(u_pred - u_exact)); fprintf('Max error: %.6e\n', err); % 绘图对比 figure; plot(x_plot, u_exact, 'k-', 'LineWidth', 1.5); hold on; plot(x_plot, u_pred, 'r--', 'LineWidth', 1.5); legend('Exact: sin(pi*x)', 'PINN prediction'); xlabel('x'); ylabel('u(x)'); grid on;

这段代码里，我把网络在 200 个均匀点上的预测值和解析解做了一次性的最大绝对误差评估。如果你的输出曲线能跟解析解重合，且最大误差在 (10^{-3}) 量级以下，恭喜你，PINN 的训练是成功的。测完这一步再谈优化和扩展才有意义。

4. PINN 解亥姆霍兹方程的避坑指南：5 个踩过的具体问题

4.1 激活函数选 ReLU，二阶导数恒为零，训练直接下不去

痛点现象：训练开始时 loss 值非常大，但迭代几百轮之后 loss 不再下降，而且画出预测曲线是一条直线。

原因分析：ReLU 激活函数的一阶导数在正区间是常数 1，负区间是常数 0，二阶导数处处为 0（除了不可导点）。而亥姆霍兹方程的 PDE 残差里包含二阶导数项 (d^2u/dx^2)，这个项直接归零，导致网络无法通过优化来拟合方程的振荡行为。PINN 的物理机制被激活函数切断了。

解决办法：改用二阶可导的光滑激活函数。深度学习中可用的选项有tanh、sin、sigmoid。在亥姆霍兹方程这种振荡问题里，sin激活函数反而有天然优势，因为它的导数仍然是cos，再来一次还是sin，不会产生梯度消失。但我建议优先用tanh，原因在于它的输出有界且训练稳定，后续调起来不容易出幺蛾子。

4.2 边界条件权重太小，方程对了但边界不闭合

痛点现象：PDE 残差降得很低，边界残差在 (10^{-2}) 量级徘徊不下去，最终预测曲线两端跟边界值差一截。

原因分析：我最初把 (\lambda_{PDE}) 和 (\lambda_{BC}) 都设成 1，想着"平等对待"。但在优化过程中，PDE 残差有 1000 个配点做支撑，梯度贡献大；边界残差只有 2 个点，在总损失中占比太小，梯度被淹没。优化器认为降低 PDE 残差的"性价比"更高，于是边界被牺牲了。

解决办法：把边界权重调大，我最终使用 (\lambda_{BC}=5) 到 10 之间，能有明显改善。另外一个更工程化的技巧是使用边界条件硬编码：对于 1D 问题，你可以把网络输出改写成 (u_\theta(x) = g(x) + (x-x_0)(x-x_L)\cdot N_\theta(x))，这样无论如何网络输出在边界上都自动满足零边界条件，根本不用加边界损失项。不过这种方式在边界条件不是零时稍微绕一点，需要构造一个额外的插值函数。

4.3 波数加大之后怎么调都不收敛

痛点现象：把波数从 (\pi) 调到 (8\pi)，同样的网络结构和配点数，loss 怎么降都降不到合理范围，预测曲线振荡保数不对，幅值也偏。

原因分析：波数增大意味着解的振荡频率变快，网络需要更高的频率表达能力。标准的全连接网络偏向于学习低频分量，对高频分量天然钝感，这是所谓的"谱偏置"。另一个限制是配点间距：1000 个点均匀分布在 0 到 1 之间，对于波长 (2\pi/(8\pi)=0.25) 来说，每个波长只有 4 个点，网络根本没有足够的信息来分辨振荡。

解决办法：双管齐下。把配点加到 3000 以上；同时把网络从 3 层 64 宽改成 5 层 128 宽。如果还不行，就引入 Fourier 特征映射，把输入 (x) 映射成 (\sin(2\pi f x)) 和 (\cos(2\pi f x)) 的组合，让网络在输入层就具备高频信息。MATLAB 实现这个很简单，就是在featureInputLayer前手动构造扩展特征：

% Fourier特征映射：把原始坐标映射到多尺度正弦/余弦特征 freqs = [1, 2, 4, 8, 16]; % 频率集合，波数越大频率越高 x_feat = [sin(2*pi*x.*freqs), cos(2*pi*x.*freqs)];

这段代码的逻辑是：把原来的单一坐标输入变成 10 维特征向量，网络需要从这 10 个特征里学习解的模式。Fourier 特征映射是解决 PINN 高频问题最有效的杀手锏之一，代价是输入维度变高、训练时间增加。

4.4 训练前期 loss 下降很猛，后期陷入平台期

痛点现象：前 500 轮 loss 从 (10^0) 降到 (10^{-3})，然后 1000 轮过去几乎不动，无论怎么调学习率都突破不了。

原因分析：这是 ADAM 优化器的通病，它对参数的更新量级有自适应性，越到收敛后期，有效步长越小。加上 PINN 损失函数是一个多目标优化（PDE 残差和边界残差），两个目标在接近最优解时可能存在冲突，ADAM 找不到一个能同时再下降两个目标的方向。

解决办法：换优化器。2023 年之后的 MATLAB 版本已经通过dlfeval和fmincon或者fminunc提供了和 L-BFGS 对接的路径。你只需要把网络的可学习参数提取成一个向量，在fminunc的迭代中不断更新网络参数即可。这个切换通常能把最终误差再压一个量级。

4.5 随机种子不同结果差异大，同一套代码跑两次精度波动明显

痛点现象：同样的代码，同样的超参数，只是重启 MATLAB 或者换台电脑，最终误差在 (10^{-3}) 到 (10^{-5}) 之间随机波动。

原因分析：网络初始化的随机权重决定了损失曲面的起点，进而影响优化收敛到的局部最优。PINN 的损失函数面是非凸的，存在大量局部极小值点，不同初始化会走向不同结果。这是这类方法的固有特性，无法彻底消除。

解决办法：工程上采用多轮独立实验取最优的策略。写一个外层循环，用不同的rng种子初始化网络，训练 5 次，取最终误差最小的模型作为输出。每一轮的训练时间在 1D 问题上通常只有几十秒，所以多跑几轮完全可接受。这是做 PINN 必加的"后悔药"，没有它就不要向别人汇报你的收敛结果。

5. 进阶验证与技巧：把 PINN 当 PDE 求解器的最后一公里

PINN 的优势不是单点解算，而是一次训练，多参数复用。以亥姆霍兹方程为例，如果波数 (k) 是可变参数，你完全可以把 (k) 也作为网络输入，让网络学习"不同波数下的解族"。这样当工程中需要在多个频率下评估响应时，不需要重新训练，一次前向传递就能得到任意 (k) 对应的解。这个思路在 MATLAB 中实现起来不算复杂——把网络输入层改为 2 个神经元，一个接收坐标 (x)，一个接收波数 (k)，训练时在配点上同时随机采样这两者。代价是网络容量要加大，否则网络学不出"参数的连续变化"这一类映射。

验证方面，除了和解析解对比最大误差之外，我还会做一步残差诊断：训练结束后，重新在一个更密的网格上计算 PDE 残差分布。这个步骤能帮你发现"解曲线看着对但局部波动有隐藏误差"的问题。具体做法是把预测解代入方程左边，然后画残差关于 (x) 的分布图，如果残差在某些区间明显隆起，说明那个区域的配点不够或者网络表达能力不足，需要返工。

我的习惯是：每调整一次网络结构或权重参数，就固定随机种子，先用小规模训练快速验证可行性，再放大到完整配置。这种方法避免了许多盲目的长时间训练。最后提醒一句，PINN 不是一个银弹，1D 问题它做得很漂亮，但到了 2D/3D 或者强对流问题，收敛难度会指数级上升，别抱着"换汤不换药"的预期直接套用。

如果你打算在自己的项目里认真用 PINN，我建议把这份代码框架保存成一个模板，把modelLoss的 PDE 部分替换成你自己的方程，然后严格按"先 ADAM 粗调，再 L-BFGS 精修"的流程走，这会节省你大量摸索时间。希望帮到你。

本文还有配套的精品资源，点击获取