網(wǎng)絡求解中子輸運方程實戰(zhàn))
簡介這份資源面向核工程、人工智能方向的畢業(yè)設計、課程設計與期末大作業(yè)學習者聚焦物理信息神經(jīng)網(wǎng)絡PINN在中子學中的應用。內(nèi)容圍繞有效增殖因子計算、多維中子擴散方程的無網(wǎng)格求解以及中子輸運微分階理論展開將物理定律約束嵌入神經(jīng)網(wǎng)絡訓練幫助讀者理解如何用機器學習方法替代傳統(tǒng)復雜數(shù)值求解流程。壓縮包共39個文件約269KB以28個Python腳本為核心覆蓋單硬邊界、并行多搜索、反問題等多種實驗配置另含5個xml與1個iml等開發(fā)環(huán)境配置、3個dat訓練與損失數(shù)據(jù)文件及README說明目錄按反應堆參數(shù)、擴散方程、輸運理論等模塊組織便于按主題檢索與復現(xiàn)。目前已有46人學習下載適合希望快速搭建PINN中子學實驗框架、對照代碼理解物理約束建模與排錯思路的讀者參考。1. 從“算不動”到“算得快”這份中子學 PINN 資源到底解決了什么問題如果你做過中子學相關(guān)課題大概率經(jīng)歷過這種絕望輸運方程維度一高傳統(tǒng)數(shù)值方法網(wǎng)格量直接爆炸算一個工況等半天調(diào)個參數(shù)又要重來。這份《基于機器學習的中子學PINN研究.zip》就是沖著這個痛點來的——它把物理信息神經(jīng)網(wǎng)絡PINN搬進中子學場景用神經(jīng)網(wǎng)絡逼近中子通量密度分布把物理方程作為約束塞進損失函數(shù)讓模型在少量數(shù)據(jù)甚至無標簽條件下也能收斂到物理上合理的解。資源里包含完整的代碼實現(xiàn)、訓練腳本和實驗配置適合做畢業(yè)設計、課程設計或期末大作業(yè)的同學直接上手復現(xiàn)也適合想從傳統(tǒng)數(shù)值方法轉(zhuǎn)向機器學習求解偏微分方程的從業(yè)者做技術(shù)驗證。它不是純理論推導而是能跑起來、能改參數(shù)、能看到損失曲線下降的工程包。2. 拆開壓縮包之前PINN 求解中子輸運的底層邏輯與選型理由2.1 為什么是中子學 PINN而不是純數(shù)據(jù)驅(qū)動中子輸運方程本質(zhì)上是玻爾茲曼方程在中子場下的具體形式變量包括空間坐標、能量、方向和時間。傳統(tǒng)離散縱標法或蒙特卡洛方法精度高但計算成本隨維度指數(shù)上升。純數(shù)據(jù)驅(qū)動模型需要大量標注數(shù)據(jù)而中子學實驗數(shù)據(jù)獲取成本極高很多工況根本拿不到實測值。PINN 的核心思路是把方程殘差作為損失的一部分讓網(wǎng)絡在訓練中同時擬合邊界條件和物理規(guī)律這樣即使沒有標簽數(shù)據(jù)也能通過最小化方程殘差得到近似解。常見做法是把中子通量密度作為網(wǎng)絡輸出輸入是空間點和能量點損失函數(shù)由三部分組成方程殘差項、邊界條件項、初始條件項。這種混合驅(qū)動方式在數(shù)據(jù)稀缺場景下優(yōu)勢明顯也是這份資源選擇 PINN 而不是普通神經(jīng)網(wǎng)絡的原因。2.2 資源里的網(wǎng)絡結(jié)構(gòu)與訓練流程拆解從代碼結(jié)構(gòu)看資源采用全連接網(wǎng)絡作為主干激活函數(shù)用 tanh因為它的二階導數(shù)連續(xù)適合計算二階微分方程殘差。輸入維度根據(jù)具體問題設定一般包括空間坐標 x、y、z 和能量群 e輸出是中子通量。訓練流程分三步先采樣配置點包括內(nèi)部殘差點和邊界點然后前向傳播計算通量預測值最后用自動微分求方程殘差反向傳播更新權(quán)重。下面是一個典型的訓練循環(huán)骨架我按資源里的寫法整理出來你可以直接對照自己的環(huán)境改import torch import torch.nn as nn class PINN(nn.Module): def __init__(self, layers): super().__init__() self.net nn.Sequential() for i in range(len(layers)-1): self.net.add_module(flinear_{i}, nn.Linear(layers[i], layers[i1])) if i len(layers)-2: self.net.add_module(ftanh_{i}, nn.Tanh()) def forward(self, x): return self.net(x) # 損失函數(shù)方程殘差 邊界條件 def loss_fn(model, x_int, x_bc, D, Sigma_a, S): x_int.requires_grad_(True) phi model(x_int) # 自動微分求二階導數(shù) phi_x torch.autograd.grad(phi, x_int, torch.ones_like(phi), create_graphTrue)[0] phi_xx torch.autograd.grad(phi_x, x_int, torch.ones_like(phi_x), create_graphTrue)[0] # 擴散方程殘差: -D*phi_xx Sigma_a*phi - S 0 residual -D * phi_xx Sigma_a * phi - S loss_res torch.mean(residual ** 2) # 邊界條件通量在邊界處為零或給定值 phi_bc model(x_bc) loss_bc torch.mean(phi_bc ** 2) return loss_res loss_bc這段代碼里D是擴散系數(shù)Sigma_a是宏觀吸收截面S是源項這三個參數(shù)需要根據(jù)你實際的中子學問題從截面庫或文獻里取值。x_int是內(nèi)部采樣點x_bc是邊界點采樣數(shù)量直接影響訓練穩(wěn)定性和精度。資源里默認內(nèi)部點 2000 個、邊界點 200 個你可以根據(jù)問題維度調(diào)整。注意create_graphTrue必須開否則二階導數(shù)求不出來這是新手最容易翻車的地方。2.3 環(huán)境配置與依賴版本資源基于 PyTorch 框架建議用 Python 3.8 以上PyTorch 1.10 以上。CUDA 版本根據(jù)你顯卡驅(qū)動選沒有 GPU 也能跑但訓練時間會從幾分鐘拉到半小時以上。依賴包包括 numpy、matplotlib、scipy用來做數(shù)據(jù)預處理和結(jié)果可視化。安裝命令如下pip install torch torchvision numpy matplotlib scipy如果你用 conda可以建一個獨立環(huán)境避免版本沖突conda create -n pinn_neutron python3.9 conda activate pinn_neutron pip install torch numpy matplotlib scipy裝完之后先跑一個官方 MNIST 例子驗證 PyTorch 能正常調(diào)用 GPU再跑資源里的訓練腳本這樣能排除環(huán)境問題。我一般會先torch.cuda.is_available()確認一下返回 False 就老老實實用 CPU 跑小規(guī)模測試。3. 把代碼跑起來從數(shù)據(jù)生成到損失收斂的完整操作鏈3.1 采樣策略內(nèi)部點、邊界點、初始點怎么分配PINN 訓練效果很大程度上取決于采樣點分布。資源里采用均勻采樣加拉丁超立方采樣兩種方式均勻采樣適合規(guī)則區(qū)域拉丁超立方適合高維或復雜幾何。內(nèi)部點數(shù)量建議是網(wǎng)絡參數(shù)量的 5 到 10 倍太少會導致方程殘差約束不足太多會拖慢訓練速度。邊界點要覆蓋所有邊界每個邊界至少 50 個點否則邊界條件容易失效。初始點只在瞬態(tài)問題里需要穩(wěn)態(tài)問題可以忽略。下面是一個采樣函數(shù)示例import numpy as np from scipy.stats import qmc def sample_points(n_int, n_bc, dim, bounds): # 拉丁超立方采樣內(nèi)部點 sampler qmc.LatinHypercube(ddim) sample sampler.random(nn_int) x_int qmc.scale(sample, bounds[0], bounds[1]) # 邊界點在邊界面上均勻采樣 x_bc np.random.uniform(bounds[0], bounds[1], size(n_bc, dim)) # 強制邊界點落在邊界上以二維為例 for i in range(n_bc): if np.random.rand() 0.5: x_bc[i, 0] bounds[0][0] if np.random.rand() 0.5 else bounds[1][0] else: x_bc[i, 1] bounds[0][1] if np.random.rand() 0.5 else bounds[1][1] return x_int, x_bcn_int和n_bc根據(jù)問題規(guī)模調(diào)一維問題 500 和 50 就夠二維建議 2000 和 200三維要 5000 以上。bounds是求解區(qū)域的上下界比如[[0,0],[1,1]]表示二維單位正方形。采樣完最好畫個散點圖看一眼確認沒有點跑到區(qū)域外面去。3.2 訓練腳本參數(shù)詳解與第一次運行資源里的訓練腳本入口是train.py主要參數(shù)包括學習率、訓練輪數(shù)、網(wǎng)絡層數(shù)、每層神經(jīng)元數(shù)。學習率默認 1e-3用 Adam 優(yōu)化器訓練 5000 輪后切換到 L-BFGS 做精細收斂。網(wǎng)絡結(jié)構(gòu)默認 4 層每層 50 個神經(jīng)元這個規(guī)模在二維問題上夠用三維問題建議加到 6 層 64 神經(jīng)元。第一次運行建議把訓練輪數(shù)改成 1000先看損失能不能下降確認流程通了再跑完整訓練。運行命令python train.py --epochs 1000 --lr 0.001 --layers 4 --neurons 50 --n_int 2000 --n_bc 200跑起來之后終端會打印每 100 輪的損失值正常情況方程殘差損失會從 1e-1 降到 1e-4 以下邊界損失降到 1e-6 左右。如果損失不降反升先檢查學習率是不是太大改成 1e-4 試試如果損失卡在某個值不動可能是采樣點太少或者網(wǎng)絡容量不夠。我一般會同時開 TensorBoard 看損失曲線比盯終端直觀。3.3 結(jié)果驗證通量分布對比與誤差指標訓練完之后資源里提供了plot.py畫通量分布圖還會計算相對 L2 誤差。驗證方法有兩種一是和解析解對比如果有的話二是和傳統(tǒng)數(shù)值方法結(jié)果對比。中子學問題很多沒有解析解常見做法是用蒙特卡洛程序跑一個參考解然后算 PINN 預測值和參考值的相對誤差。資源里默認用有限差分結(jié)果做參考誤差控制在 1% 以內(nèi)算合格。下面是一個計算相對 L2 誤差的代碼片段def relative_l2_error(phi_pred, phi_ref): # phi_pred: 模型預測通量, phi_ref: 參考通量 numerator np.linalg.norm(phi_pred - phi_ref) denominator np.linalg.norm(phi_ref) return numerator / denominatorphi_pred和phi_ref要保證在同一套網(wǎng)格點上取值否則誤差沒意義。如果誤差大于 5%先檢查邊界條件有沒有加對再看方程殘差的權(quán)重是不是太小。資源里默認殘差權(quán)重是 1.0邊界權(quán)重也是 1.0你可以根據(jù)問題調(diào)整比如邊界條件嚴格時把邊界權(quán)重調(diào)到 10。4. 避坑指南PINN 訓練中子學問題最容易翻車的五個地方4.1 損失不收斂方程殘差一直在震蕩現(xiàn)象訓練幾百輪后方程殘差損失在 0.1 附近上下跳降不下去。原因?qū)W習率太大或者采樣點分布不均勻?qū)е绿荻确较蚧靵y。解決把學習率降到 1e-4同時用拉丁超立方重新采樣確保內(nèi)部點覆蓋整個區(qū)域。如果還不行檢查方程殘差的量綱是不是和邊界條件差太多必要時做歸一化。4.2 邊界條件失效通量在邊界處明顯偏離現(xiàn)象內(nèi)部區(qū)域擬合得不錯但邊界上通量值明顯不對甚至出現(xiàn)負值。原因邊界點采樣太少或者邊界損失權(quán)重太低。解決把邊界點數(shù)量增加到內(nèi)部點的 10%邊界損失權(quán)重調(diào)到 5 到 10。另外檢查邊界條件寫的是 Dirichlet 還是 Neumann中子學里常見的是通量在邊界為零對應 Dirichlet 條件直接讓phi_bc趨近于零就行。4.3 二階導數(shù)計算報錯提示“element 0 of tensors does not require grad”現(xiàn)象運行到自動微分那一步直接報錯說張量不需要梯度。原因輸入點沒有設置requires_gradTrue或者在前向傳播之前就把它轉(zhuǎn)成了 numpy 數(shù)組。解決確保x_int是 torch 張量且requires_grad_(True)并且整個計算圖里不要出現(xiàn).detach()或.numpy()。這個坑我踩過好幾次血淚經(jīng)驗就是采樣完之后立刻轉(zhuǎn)張量別等到用的時候再轉(zhuǎn)。4.4 訓練速度慢到無法接受GPU 利用率極低現(xiàn)象一個 epoch 要好幾秒GPU 顯存占用很低。原因采樣點太多或者網(wǎng)絡太大但 batch 設置不合理導致大量時間花在數(shù)據(jù)搬運上。解決把內(nèi)部點分批送入網(wǎng)絡每批 500 到 1000 個點用DataLoader做批處理。另外檢查是不是在 CPU 上跑torch.cuda.is_available()返回 True 的話把模型和輸入都.cuda()。4.5 換一個工況就要重新訓練沒有泛化能力現(xiàn)象在某個截面參數(shù)下訓練好的模型換一組截面參數(shù)后預測完全不對。原因PINN 把截面參數(shù)當成了固定值沒有作為輸入。解決把截面參數(shù)也作為網(wǎng)絡輸入的一部分讓模型學習參數(shù)到通量的映射。資源里默認只輸入空間坐標你可以改成輸入(x, y, z, D, Sigma_a)這樣訓練一次就能覆蓋多個工況。代價是訓練數(shù)據(jù)要包含不同參數(shù)組合采樣點數(shù)量也要增加。5. 進階技巧把 PINN 從中子學擴散方程推到輸運方程擴散方程只是中子輸運的近似真正要做高保真計算還得回到輸運方程。輸運方程多了角度變量輸入維度變成空間加能量加方向網(wǎng)絡容量和采樣點數(shù)量都要大幅增加。我一般會先把角度離散成幾個方向每個方向單獨訓練一個子網(wǎng)絡最后加權(quán)求和。這樣比直接上高維網(wǎng)絡穩(wěn)定得多。另一個技巧是用自適應采樣在殘差大的區(qū)域多撒點殘差小的區(qū)域少撒點能顯著提升收斂速度。資源里提供了一個簡單的自適應采樣函數(shù)你可以基于它改def adaptive_sampling(model, x_int, D, Sigma_a, S, n_new100): x_int.requires_grad_(True) phi model(x_int) phi_x torch.autograd.grad(phi, x_int, torch.ones_like(phi), create_graphTrue)[0] phi_xx torch.autograd.grad(phi_x, x_int, torch.ones_like(phi_x), create_graphTrue)[0] residual torch.abs(-D * phi_xx Sigma_a * phi - S) # 選殘差最大的前 n_new 個點附近加密 _, idx torch.topk(residual.flatten(), n_new) x_new x_int[idx] torch.randn_like(x_int[idx]) * 0.01 return torch.cat([x_int, x_new], dim0)這個函數(shù)每次調(diào)用會在殘差大的地方加新點訓練過程中每隔 500 輪調(diào)用一次能明顯改善高梯度區(qū)域的擬合精度。驗證方法也簡單訓練完之后看殘差分布圖如果最大殘差和平均殘差差距在 10 倍以內(nèi)說明采樣比較均勻了。從那以后我每次做 PINN 訓練都強制走一遍自適應采樣不然總有些局部區(qū)域誤差下不來。希望幫到你。本文還有配套的精品資源點擊獲取 基于機器學習的中子學PINN研究：物理信息神經(jīng)網(wǎng)絡求解中子輸運方程實戰(zhàn)
簡介這份資源面向核工程、人工智能方向的畢業(yè)設計、課程設計與期末大作業(yè)學習者聚焦物理信息神經(jīng)網(wǎng)絡PINN在中子學中的應用。內(nèi)容圍繞有效增殖因子計算、多維中子擴散方程的無網(wǎng)格求解以及中子輸運微分階理論展開將物理定律約束嵌入神經(jīng)網(wǎng)絡訓練幫助讀者理解如何用機器學習方法替代傳統(tǒng)復雜數(shù)值求解流程。壓縮包共39個文件約269KB以28個Python腳本為核心覆蓋單硬邊界、并行多搜索、反問題等多種實驗配置另含5個xml與1個iml等開發(fā)環(huán)境配置、3個dat訓練與損失數(shù)據(jù)文件及README說明目錄按反應堆參數(shù)、擴散方程、輸運理論等模塊組織便于按主題檢索與復現(xiàn)。目前已有46人學習下載適合希望快速搭建PINN中子學實驗框架、對照代碼理解物理約束建模與排錯思路的讀者參考。1. 從“算不動”到“算得快”這份中子學 PINN 資源到底解決了什么問題如果你做過中子學相關(guān)課題大概率經(jīng)歷過這種絕望輸運方程維度一高傳統(tǒng)數(shù)值方法網(wǎng)格量直接爆炸算一個工況等半天調(diào)個參數(shù)又要重來。這份《基于機器學習的中子學PINN研究.zip》就是沖著這個痛點來的——它把物理信息神經(jīng)網(wǎng)絡PINN搬進中子學場景用神經(jīng)網(wǎng)絡逼近中子通量密度分布把物理方程作為約束塞進損失函數(shù)讓模型在少量數(shù)據(jù)甚至無標簽條件下也能收斂到物理上合理的解。資源里包含完整的代碼實現(xiàn)、訓練腳本和實驗配置適合做畢業(yè)設計、課程設計或期末大作業(yè)的同學直接上手復現(xiàn)也適合想從傳統(tǒng)數(shù)值方法轉(zhuǎn)向機器學習求解偏微分方程的從業(yè)者做技術(shù)驗證。它不是純理論推導而是能跑起來、能改參數(shù)、能看到損失曲線下降的工程包。2. 拆開壓縮包之前PINN 求解中子輸運的底層邏輯與選型理由2.1 為什么是中子學 PINN而不是純數(shù)據(jù)驅(qū)動中子輸運方程本質(zhì)上是玻爾茲曼方程在中子場下的具體形式變量包括空間坐標、能量、方向和時間。傳統(tǒng)離散縱標法或蒙特卡洛方法精度高但計算成本隨維度指數(shù)上升。純數(shù)據(jù)驅(qū)動模型需要大量標注數(shù)據(jù)而中子學實驗數(shù)據(jù)獲取成本極高很多工況根本拿不到實測值。PINN 的核心思路是把方程殘差作為損失的一部分讓網(wǎng)絡在訓練中同時擬合邊界條件和物理規(guī)律這樣即使沒有標簽數(shù)據(jù)也能通過最小化方程殘差得到近似解。常見做法是把中子通量密度作為網(wǎng)絡輸出輸入是空間點和能量點損失函數(shù)由三部分組成方程殘差項、邊界條件項、初始條件項。這種混合驅(qū)動方式在數(shù)據(jù)稀缺場景下優(yōu)勢明顯也是這份資源選擇 PINN 而不是普通神經(jīng)網(wǎng)絡的原因。2.2 資源里的網(wǎng)絡結(jié)構(gòu)與訓練流程拆解從代碼結(jié)構(gòu)看資源采用全連接網(wǎng)絡作為主干激活函數(shù)用 tanh因為它的二階導數(shù)連續(xù)適合計算二階微分方程殘差。輸入維度根據(jù)具體問題設定一般包括空間坐標 x、y、z 和能量群 e輸出是中子通量。訓練流程分三步先采樣配置點包括內(nèi)部殘差點和邊界點然后前向傳播計算通量預測值最后用自動微分求方程殘差反向傳播更新權(quán)重。下面是一個典型的訓練循環(huán)骨架我按資源里的寫法整理出來你可以直接對照自己的環(huán)境改import torch import torch.nn as nn class PINN(nn.Module): def __init__(self, layers): super().__init__() self.net nn.Sequential() for i in range(len(layers)-1): self.net.add_module(flinear_{i}, nn.Linear(layers[i], layers[i1])) if i len(layers)-2: self.net.add_module(ftanh_{i}, nn.Tanh()) def forward(self, x): return self.net(x) # 損失函數(shù)方程殘差 邊界條件 def loss_fn(model, x_int, x_bc, D, Sigma_a, S): x_int.requires_grad_(True) phi model(x_int) # 自動微分求二階導數(shù) phi_x torch.autograd.grad(phi, x_int, torch.ones_like(phi), create_graphTrue)[0] phi_xx torch.autograd.grad(phi_x, x_int, torch.ones_like(phi_x), create_graphTrue)[0] # 擴散方程殘差: -D*phi_xx Sigma_a*phi - S 0 residual -D * phi_xx Sigma_a * phi - S loss_res torch.mean(residual ** 2) # 邊界條件通量在邊界處為零或給定值 phi_bc model(x_bc) loss_bc torch.mean(phi_bc ** 2) return loss_res loss_bc這段代碼里D是擴散系數(shù)Sigma_a是宏觀吸收截面S是源項這三個參數(shù)需要根據(jù)你實際的中子學問題從截面庫或文獻里取值。x_int是內(nèi)部采樣點x_bc是邊界點采樣數(shù)量直接影響訓練穩(wěn)定性和精度。資源里默認內(nèi)部點 2000 個、邊界點 200 個你可以根據(jù)問題維度調(diào)整。注意create_graphTrue必須開否則二階導數(shù)求不出來這是新手最容易翻車的地方。2.3 環(huán)境配置與依賴版本資源基于 PyTorch 框架建議用 Python 3.8 以上PyTorch 1.10 以上。CUDA 版本根據(jù)你顯卡驅(qū)動選沒有 GPU 也能跑但訓練時間會從幾分鐘拉到半小時以上。依賴包包括 numpy、matplotlib、scipy用來做數(shù)據(jù)預處理和結(jié)果可視化。安裝命令如下pip install torch torchvision numpy matplotlib scipy如果你用 conda可以建一個獨立環(huán)境避免版本沖突conda create -n pinn_neutron python3.9 conda activate pinn_neutron pip install torch numpy matplotlib scipy裝完之后先跑一個官方 MNIST 例子驗證 PyTorch 能正常調(diào)用 GPU再跑資源里的訓練腳本這樣能排除環(huán)境問題。我一般會先torch.cuda.is_available()確認一下返回 False 就老老實實用 CPU 跑小規(guī)模測試。3. 把代碼跑起來從數(shù)據(jù)生成到損失收斂的完整操作鏈3.1 采樣策略內(nèi)部點、邊界點、初始點怎么分配PINN 訓練效果很大程度上取決于采樣點分布。資源里采用均勻采樣加拉丁超立方采樣兩種方式均勻采樣適合規(guī)則區(qū)域拉丁超立方適合高維或復雜幾何。內(nèi)部點數(shù)量建議是網(wǎng)絡參數(shù)量的 5 到 10 倍太少會導致方程殘差約束不足太多會拖慢訓練速度。邊界點要覆蓋所有邊界每個邊界至少 50 個點否則邊界條件容易失效。初始點只在瞬態(tài)問題里需要穩(wěn)態(tài)問題可以忽略。下面是一個采樣函數(shù)示例import numpy as np from scipy.stats import qmc def sample_points(n_int, n_bc, dim, bounds): # 拉丁超立方采樣內(nèi)部點 sampler qmc.LatinHypercube(ddim) sample sampler.random(nn_int) x_int qmc.scale(sample, bounds[0], bounds[1]) # 邊界點在邊界面上均勻采樣 x_bc np.random.uniform(bounds[0], bounds[1], size(n_bc, dim)) # 強制邊界點落在邊界上以二維為例 for i in range(n_bc): if np.random.rand() 0.5: x_bc[i, 0] bounds[0][0] if np.random.rand() 0.5 else bounds[1][0] else: x_bc[i, 1] bounds[0][1] if np.random.rand() 0.5 else bounds[1][1] return x_int, x_bcn_int和n_bc根據(jù)問題規(guī)模調(diào)一維問題 500 和 50 就夠二維建議 2000 和 200三維要 5000 以上。bounds是求解區(qū)域的上下界比如[[0,0],[1,1]]表示二維單位正方形。采樣完最好畫個散點圖看一眼確認沒有點跑到區(qū)域外面去。3.2 訓練腳本參數(shù)詳解與第一次運行資源里的訓練腳本入口是train.py主要參數(shù)包括學習率、訓練輪數(shù)、網(wǎng)絡層數(shù)、每層神經(jīng)元數(shù)。學習率默認 1e-3用 Adam 優(yōu)化器訓練 5000 輪后切換到 L-BFGS 做精細收斂。網(wǎng)絡結(jié)構(gòu)默認 4 層每層 50 個神經(jīng)元這個規(guī)模在二維問題上夠用三維問題建議加到 6 層 64 神經(jīng)元。第一次運行建議把訓練輪數(shù)改成 1000先看損失能不能下降確認流程通了再跑完整訓練。運行命令python train.py --epochs 1000 --lr 0.001 --layers 4 --neurons 50 --n_int 2000 --n_bc 200跑起來之后終端會打印每 100 輪的損失值正常情況方程殘差損失會從 1e-1 降到 1e-4 以下邊界損失降到 1e-6 左右。如果損失不降反升先檢查學習率是不是太大改成 1e-4 試試如果損失卡在某個值不動可能是采樣點太少或者網(wǎng)絡容量不夠。我一般會同時開 TensorBoard 看損失曲線比盯終端直觀。3.3 結(jié)果驗證通量分布對比與誤差指標訓練完之后資源里提供了plot.py畫通量分布圖還會計算相對 L2 誤差。驗證方法有兩種一是和解析解對比如果有的話二是和傳統(tǒng)數(shù)值方法結(jié)果對比。中子學問題很多沒有解析解常見做法是用蒙特卡洛程序跑一個參考解然后算 PINN 預測值和參考值的相對誤差。資源里默認用有限差分結(jié)果做參考誤差控制在 1% 以內(nèi)算合格。下面是一個計算相對 L2 誤差的代碼片段def relative_l2_error(phi_pred, phi_ref): # phi_pred: 模型預測通量, phi_ref: 參考通量 numerator np.linalg.norm(phi_pred - phi_ref) denominator np.linalg.norm(phi_ref) return numerator / denominatorphi_pred和phi_ref要保證在同一套網(wǎng)格點上取值否則誤差沒意義。如果誤差大于 5%先檢查邊界條件有沒有加對再看方程殘差的權(quán)重是不是太小。資源里默認殘差權(quán)重是 1.0邊界權(quán)重也是 1.0你可以根據(jù)問題調(diào)整比如邊界條件嚴格時把邊界權(quán)重調(diào)到 10。4. 避坑指南PINN 訓練中子學問題最容易翻車的五個地方4.1 損失不收斂方程殘差一直在震蕩現(xiàn)象訓練幾百輪后方程殘差損失在 0.1 附近上下跳降不下去。原因?qū)W習率太大或者采樣點分布不均勻?qū)е绿荻确较蚧靵y。解決把學習率降到 1e-4同時用拉丁超立方重新采樣確保內(nèi)部點覆蓋整個區(qū)域。如果還不行檢查方程殘差的量綱是不是和邊界條件差太多必要時做歸一化。4.2 邊界條件失效通量在邊界處明顯偏離現(xiàn)象內(nèi)部區(qū)域擬合得不錯但邊界上通量值明顯不對甚至出現(xiàn)負值。原因邊界點采樣太少或者邊界損失權(quán)重太低。解決把邊界點數(shù)量增加到內(nèi)部點的 10%邊界損失權(quán)重調(diào)到 5 到 10。另外檢查邊界條件寫的是 Dirichlet 還是 Neumann中子學里常見的是通量在邊界為零對應 Dirichlet 條件直接讓phi_bc趨近于零就行。4.3 二階導數(shù)計算報錯提示“element 0 of tensors does not require grad”現(xiàn)象運行到自動微分那一步直接報錯說張量不需要梯度。原因輸入點沒有設置requires_gradTrue或者在前向傳播之前就把它轉(zhuǎn)成了 numpy 數(shù)組。解決確保x_int是 torch 張量且requires_grad_(True)并且整個計算圖里不要出現(xiàn).detach()或.numpy()。這個坑我踩過好幾次血淚經(jīng)驗就是采樣完之后立刻轉(zhuǎn)張量別等到用的時候再轉(zhuǎn)。4.4 訓練速度慢到無法接受GPU 利用率極低現(xiàn)象一個 epoch 要好幾秒GPU 顯存占用很低。原因采樣點太多或者網(wǎng)絡太大但 batch 設置不合理導致大量時間花在數(shù)據(jù)搬運上。解決把內(nèi)部點分批送入網(wǎng)絡每批 500 到 1000 個點用DataLoader做批處理。另外檢查是不是在 CPU 上跑torch.cuda.is_available()返回 True 的話把模型和輸入都.cuda()。4.5 換一個工況就要重新訓練沒有泛化能力現(xiàn)象在某個截面參數(shù)下訓練好的模型換一組截面參數(shù)后預測完全不對。原因PINN 把截面參數(shù)當成了固定值沒有作為輸入。解決把截面參數(shù)也作為網(wǎng)絡輸入的一部分讓模型學習參數(shù)到通量的映射。資源里默認只輸入空間坐標你可以改成輸入(x, y, z, D, Sigma_a)這樣訓練一次就能覆蓋多個工況。代價是訓練數(shù)據(jù)要包含不同參數(shù)組合采樣點數(shù)量也要增加。5. 進階技巧把 PINN 從中子學擴散方程推到輸運方程擴散方程只是中子輸運的近似真正要做高保真計算還得回到輸運方程。輸運方程多了角度變量輸入維度變成空間加能量加方向網(wǎng)絡容量和采樣點數(shù)量都要大幅增加。我一般會先把角度離散成幾個方向每個方向單獨訓練一個子網(wǎng)絡最后加權(quán)求和。這樣比直接上高維網(wǎng)絡穩(wěn)定得多。另一個技巧是用自適應采樣在殘差大的區(qū)域多撒點殘差小的區(qū)域少撒點能顯著提升收斂速度。資源里提供了一個簡單的自適應采樣函數(shù)你可以基于它改def adaptive_sampling(model, x_int, D, Sigma_a, S, n_new100): x_int.requires_grad_(True) phi model(x_int) phi_x torch.autograd.grad(phi, x_int, torch.ones_like(phi), create_graphTrue)[0] phi_xx torch.autograd.grad(phi_x, x_int, torch.ones_like(phi_x), create_graphTrue)[0] residual torch.abs(-D * phi_xx Sigma_a * phi - S) # 選殘差最大的前 n_new 個點附近加密 _, idx torch.topk(residual.flatten(), n_new) x_new x_int[idx] torch.randn_like(x_int[idx]) * 0.01 return torch.cat([x_int, x_new], dim0)這個函數(shù)每次調(diào)用會在殘差大的地方加新點訓練過程中每隔 500 輪調(diào)用一次能明顯改善高梯度區(qū)域的擬合精度。驗證方法也簡單訓練完之后看殘差分布圖如果最大殘差和平均殘差差距在 10 倍以內(nèi)說明采樣比較均勻了。從那以后我每次做 PINN 訓練都強制走一遍自適應采樣不然總有些局部區(qū)域誤差下不來。希望幫到你。本文還有配套的精品資源點擊獲取