📌 专题导读 · PINN从入门到实战（共4期）

神经网络只能靠数据"死记硬背"？这组专题带你看看AI怎么把物理定律写进损失函数，从原理到架构到基准测试，一次讲透。

期数	内容	进度
第1期	PINN的基本原理介绍	已更新
第2期	PINN的训练难题与自适应策略	已更新
第3期	PINN的架构进化	已更新
第4期	PINN基准测试与对比	← 本文

看完4期，你将能：理解PINN核心原理、掌握训练调优方法、了解前沿架构选型、知道如何做公平评测。关注「能见AI」，不错过后续更新。

上期我们盘点了 PINN 的架构进化史——从原始 MLP 到域分解、自适应激活函数、变分形式，花样越来越多。但问题来了：这么多架构，到底哪个最好？

需要一个公平的基准测试来回答。今天，我们就来聊聊目前最大的 PINN 基准测试平台——PINNacle。

这篇论文来自清华大学 Hao Zhongkai、Yao Jiachen、Lu Fanzhi、Zhu Jun 等联合宾夕法尼亚大学 Lu Lu 教授团队，全文 50 页，覆盖 22 个 PDE 算例、12 种 PINN 方法。可以说，这是目前 PINN 领域最全面的一次"高考"。

▲ PINNacle 整体架构：数据集（20+ PDE）+ 工具箱（10+ 方法）+ 评估模块 | 图源：Hao et al., arXiv:2306.08827

一、为什么 PINN 需要一次"高考"？

PINN 从 2019 年 Raissi 等人提出以来，已经发展出数百种变体。几乎每篇论文都会展示：“我的方法在某某方程上比原始 PINN 好 30%”。

但问题是——每篇论文选的不一定是同一道"考题"。

有的挑简单的泊松方程，有的挑自己调过参的 Burgers 方程，有的甚至在特定初始条件下才能跑通。这种"各考各的"模式，导致我们根本没法回答一个朴素的问题：

如果让所有方法做同一套卷子，谁考得最好？

这不是 PINN 独有的问题，但在科学计算领域尤其突出。传统数值方法（有限元、有限差分）经过几十年发展，已经有成熟的基准测试体系和标准算例库。而 PINN 作为新兴方法，一直缺少这样的"统一考卷"。

PINNacle 要做的，就是出这一套考卷。

二、PINNacle 是什么？

PINNacle 由清华大学计算机系和人工智能研究院的 Hao Zhongkai、Yao Jiachen、Lu Fanzhi、Zhu Jun 等研究者联合开发，论文于 2023 年 6 月发布在 arXiv 上。

它的名字取得很妙——PINN + acle（peak/summit 的词根），暗示这是 PINN 领域的"顶峰"基准。

📊 覆盖 22 种 PDE，横跨多个物理领域

PINNacle 的数据集包含22 个独特的 PDE 算例，来自以下领域：

• 流体力学：Burgers 方程（1D 和 2D 耦合）、Navier-Stokes 方程（三种场景：顶盖驱动流、复杂几何后台阶流、非定常流动）
• 热传导：热方程（四种情况：经典、多尺度、变系数、复杂几何）
• 电磁学：Poisson-Boltzmann 方程（Helmholtz 型，含复杂几何）
• 数学物理：Poisson 方程（四种情况：经典、复杂几何、3D 复杂几何、多尺度）
• 波动现象：波动方程（三种情况：经典、复杂几何、多尺度）
• 混沌系统：Gray-Scott 反应扩散方程、Kuramoto-Sivashinsky 方程
• 高维问题：高维 Poisson 方程、高维扩散方程
• 反问题：Poisson 方程参数反演、扩散方程参数反演

🧩 四大关键挑战

这 22 个算例不是随意挑的，而是刻意覆盖了 PINN 面临的四大核心挑战。理解这四大挑战，就能理解为什么 PINN 在论文里有时表现惊艳、有时惨不忍睹：

论文作者在设计数据集时，每个算例都标注了它涉及哪些挑战（见表1），这样就可以有针对性地分析哪种方法适合应对哪类挑战。

🛠️ 内置约 12 种主流 PINN 方法

PINNacle 在工具箱中实现了约 12 种代表性方法，覆盖了 PINN 改进的主要方向：

这几乎囊括了 2019–2023 年间 PINN 领域最具代表性的改进方向。

三、基准测试是怎么设计的？

做基准测试，最怕的是"不公平"——给某个方法开小灶。PINNacle 在设计上非常严谨。

🎯 统一评估指标

所有方法使用相同的评估指标：

• L2 相对误差 (L2RE)：∥u−u′∥2∥u∥2\frac{\|u - u'\|_2}{\|u\|_2}∥u∥2​∥u−u′∥2​​，衡量整体预测精度
• L1 相对误差 (L1RE)：对异常值更鲁棒
• 最大误差 (mERR)：最差点有多大
• 均方误差 (MSE)：传统回归指标
• 傅里叶误差 (fMSE)：衡量频谱层面的差异——对多尺度问题尤其重要

⚙️ 统一训练配置

每种方法在每个 PDE 上跑相同的配置：

• 相同的网络深度和宽度
• 相同的训练轮数（epochs）
• 相同的 collocation points 采样策略
• 相同的初始条件

这不是"谁调参好谁赢"的比赛，而是在同等条件下，看谁的方法论更强。

🔄 正向问题 + 逆向问题

基准测试覆盖了两大类任务：

• 正向问题：给定 PDE 和边界条件，求解场分布——共 20 个算例。这是传统数值方法的主场，也是 PINN 试图证明自己能"打得过"有限元的地方。
• 逆向问题：从带噪声的观测数据中反演 PDE 的未知参数——共 2 个算例（PInv 和 HInv）。这是 PINN 的"杀手锏"——传统方法求解反问题需要在优化循环中反复调用正问题求解器，而 PINN 只需把未知参数当作额外的可训练变量，"顺便"就求出来了。

🔬 消融实验

除了主实验，论文还做了大量消融分析，这也是 PINNacle 超越一般对比实验的地方：

• 不同 batch size（512 vs 2048 vs 8192 vs 32768）的影响：发现更大的 batch size 通常带来更精确的梯度估计，从而得到更好的结果。但在 Gray-Scott 和 Poisson 2D-C 上，超过 2048 后就饱和了。
• 不同训练轮数（5k vs 20k vs 80k vs 160k）的影响：误差随轮数增加而下降，但存在饱和点——通常在 20k 到 80k 轮之间，继续训练收益不大。
• 不同学习率（10−210^{-2}10−2到10−510^{-5}10−5）和学习率策略的影响：学习率的影响很微妙，最优值因问题而异。10−210^{-2}10−2容易导致误差尖峰（训练不稳定），10−510^{-5}10−5收敛太慢。论文建议使用10−310^{-3}10−3或10−410^{-4}10−4的中等学习率，或采用 step decay 策略。
• FBPINN 的子域划分数量和重叠率的敏感性分析：重叠率在 0.4 到 0.6 之间通常表现最好，太低导致子域间信息交换不足，太高则增加了计算冗余。
• 域尺度变化对优化器的影响：MultiAdam 被设计为对域尺度变化鲁棒的优化器，实验验证了这一点——在 Poisson 2D-C 上，当域尺度从 0.5 变化到 16 时，MultiAdam 的表现始终稳定，而 Vanilla Adam 在尺度为 0.5 时误差高达 6.94×10⁻¹。

四、核心发现：没有银弹

好，重头戏来了。22 道题，12 个考生，成绩如何？

🔴 发现一：不同方法在不同方程上表现差异巨大

这是论文最核心的结论——没有哪个方法能在所有 PDE 上称霸。

来看几个典型例子：

Poisson 2D 经典问题：Vanilla PINN 的误差是 6.94×10⁻¹，NTK 重加权方法大幅降低到 1.23×10⁻²（最佳），FBPINN 也达到了 4.49×10⁻²。差距接近15 倍。

Burgers 1D：Vanilla PINN 的误差是 1.45×10⁻²，NTK 方法与之相当（1.33×10⁻²），但 LAAF 反而更差（3.47×10⁻¹）——比基线差了 20 多倍。

Navier-Stokes 2D-C：gPINN（梯度增强方法）以 7.27×10⁻¹ 的误差垫底，而 FBPINN 的 LAAF 变体（8.24×10⁻²）和 LAAF（3.60×10⁻²）表现更好。

Gray-Scott 混沌方程：这是个有趣的反转——Vanilla PINN 误差 3.19×10⁻¹，而 FBPINN 以 7.99×10⁻² 大幅领先，甚至 gPINN 和 hp-VPINN 也跑到了 9.37×10⁻²。

一句话总结：在这个方程上称王的方法，在另一个方程上可能垫底。

▲ 四类 PINN 方法在不同难度问题上的相对误差对比（对数刻度）：Vanilla PINN、Domain Decomposition、Loss Reweighting、Neural Operator。柱子越低误差越小 | 图源：PINNacle 基准测试

🔵 发现二：域分解方法在处理复杂几何时优势明显

FBPINN（Finite Basis PINN）是论文中唯一的域分解方法代表。它的核心思路是：把整个求解域切成多个子域，每个子域训练一个子网络，最后在重叠区域"拼接"。

实验结果非常直观：

• Poisson 2D 复杂几何（带孔洞区域）：FBPINN 的 L2RE 仅为2.90×10⁻²，而 Vanilla PINN 高达 6.36×10⁻¹，差距20 倍以上。
• Navier-Stokes 后台阶流（NS2d-CG）：这里出现了一个意外——FBPINN 的误差高达 8.27×10⁰（即 8.27，完全发散），远不如 LAAF（1.54×10⁻¹）和 GAAF（9.94×10⁻¹）。这说明域分解方法并非在所有复杂几何上都有效——当流场存在强烈的剪切层和回流区时，子域间的交界面可能引入额外的数值误差，导致整体解发散。这也印证了"没有银弹"的结论：域分解在 Poisson 型问题上表现优异，但在强非线性流动问题上可能适得其反。

论文作者指出，域分解之所以在复杂几何上有效，是因为子网络可以专注于局部区域的拟合，避免了单一全局网络需要同时处理多尺度特征时出现的"顾此失彼"。

▲ 域分解方法将复杂几何划分为多个子域，每个子域由独立子网络处理 | 图源：Hao et al., arXiv:2306.08827

🟡 发现三：损失重加权对多尺度问题至关重要

PINN-LRA（Learning Rate Annealing）和 PINN-NTK 是两种典型的损失重加权方法。

• LRA的思路是：在训练过程中，根据各损失项的梯度方差动态调整权重，让训练"更关注"当前拟合不好的部分。
• NTK的思路是：基于 Neural Tangent Kernel 理论，为各损失项分配最优权重，使训练动态更加平衡。

在多尺度的 Poisson 2D-MS 问题上，Vanilla PINN 的误差是 6.30×10⁻¹，而 LRA 将误差降低到 7.60×10⁻¹（这里反而变差了，说明 LRA 并非万能）。但在 Poisson 2D-CG（复杂几何+多尺度）上，NTK 方法将误差从 6.36×10⁻¹ 大幅降到 6.08×10⁻²——超过 10 倍的改进。

论文明确指出：对于包含多种损失项（PDE 残差、边界条件、初始条件、数据项）的问题，不加权重的简单求和往往导致训练被某一项主导。重加权机制就是解决这个"偏科"问题的关键。

⚫ 发现四：某些变体在特定方程上比原始 PINN 还差

这可能是最令人意外的发现。

• LAAF（局部自适应激活）在 Burgers 1D 上的误差是 3.47×10⁻¹，而 Vanilla PINN 只有 1.45×10⁻²——差了近 24 倍。
• GAAF（全局自适应激活）在 Burgers 1D 上同样表现不佳，误差 5.20×10⁻²，虽比 LAAF 好但仍然不如基线。
• MultiAdam在 NS2d-C 上的误差达到 7.27×10⁻¹，远不如 Vanilla PINN（4.70×10⁻²）。
• gPINN（梯度增强）在 Burgers 2D-C 上误差高达 4.85×10⁻¹，而 Vanilla PINN 是 3.24×10⁻¹。

这不是说这些方法不好，而是说明：PINN 的改进不是通用"buff"，而是针对特定挑战的"特效药"。用错了地方，反而比不吃药还差。

📋 方法选型速查表

根据 PINNacle 的基准测试结果，以下是各类方法的适用场景总结：

选型建议：

1. 先跑 Vanilla PINN 做基线——很多简单问题上它就是够用的
2. 遇到复杂几何 → 优先试 FBPINN（域分解在 Poisson 型问题上优势明显）
3. 遇到多尺度 → 优先试 NTK 重加权（Poisson-CG 上 10 倍改进）
4. 不要盲目叠加改进——每个方法都有"翻车"场景，消融实验后再上生产

五、PINN vs 传统数值方法：谁更厉害？

这是所有做 PINN 的人都会被问到的问题。

📌 什么时候 PINN 赢？

1. 反问题：传统方法（有限元、有限差分）求解反问题通常需要反复迭代正问题求解器，计算量巨大。而 PINN天然把反问题融入训练——未知参数只是额外的可训练变量。PINNacle 的反问题实验也验证了这一点：vPINN 在 HInv 上的误差低至 1.19×10⁻²。

2. 数据融合：当问题既有物理方程约束，又有实验观测数据时，PINN 可以同时利用两种信息源，在传统方法中这通常需要复杂的同化技术。

3. 无网格：对于复杂几何（尤其是 3D），传统方法需要高质量的网格生成，这本身就是一个耗时且容易出错的步骤。PINN只需在域内随机采样，免去了网格生成的麻烦。

4. 参数化问题：PINNacle 的扩展实验包含了参数化 PDE（parametric PDEs），即一次训练可以覆盖一组参数。这对需要快速评估多工况的工程设计非常有用。

📌 什么时候传统方法赢？

论文中有一段非常诚实的讨论：

“Overall performance of PINNs is not yet on par with traditional numerical methods.”

具体来说：

1. 高精度需求：传统有限元方法在成熟算例上可以达到10−610^{-6}10−6甚至更高的精度，而 PINNacle 的最佳结果大多在10−210^{-2}10−2量级——差了4 个数量级。对于需要高精度的工程计算（如航空航天结构分析、精密仪器设计），PINN 目前还无法胜任。

2. 长时间跨度问题：在 Heat 2D-LT（长时间热传导）和 NS 2D-LT（长时间 Navier-Stokes）上，几乎所有 PINN 方法的误差都接近 100%——完全失效。论文作者指出，这是因为误差随时间不断累积，而 PINN 的 MLP 结构很难捕捉长期动态。对于波动方程（Wave），PINN 的表现同样堪忧——2D 复杂几何和多尺度场景下，大多数方法的误差都在 100% 以上。论文附录中的时间误差分析图（Figure 19、20）清晰地展示了误差随时间单调增长的趋势。

▲ 误差随时间指数增长（L2 Relative Error vs Time)：PINN 在长时间跨度的 PDE 求解中误差迅速累积，最终发散 | 图源：PINNacle 论文附录 Figure 19

3. 大规模问题：当自由度达到百万级别时，传统方法有成熟的并行算法和预处理技术（如多重网格法），而 PINN 的内存和计算需求随网络规模急剧增长，且缺乏有效的并行训练策略。

4. 成熟稳定性：有限元方法经过了 70 年的发展，有大量成熟的软件包（COMSOL、ANSYS、OpenFOAM）和理论保证。PINN 仍然处于研究阶段，训练过程缺乏理论收敛性保证，结果可重复性也是问题。

5. 运行时效率：论文附录中的运行时间分析（Table 12）显示，PINN 的训练时间普遍较长——即使是简单问题也需要数分钟到数小时，而传统求解器可以在秒级完成。域分解方法（FBPINN）因为需要训练多个子网络，训练时间更长。

📌 正确的定位

论文作者的结论是：PINN 不是要取代传统方法，而是要在特定场景下提供补充能力。

这个观点非常重要。把 PINN 当成"万能求解器"的期待是不现实的；但把它当成"传统方法不好用的场景下的替代方案"，则是一个非常务实的定位。

六、对电力领域意味着什么？

读这篇论文时，我一直在想一个问题：电力系统的 PDE 在这个基准测试里吗？

答案是：没有。

PINNacle 覆盖的 22 个 PDE 算例，来自流体力学、热传导、波动、混沌系统等领域，但没有一个是电力系统特有的，例如解决以下问题：

• ❌潮流方程（Power Flow Equations）
• ❌电磁暂态方程（Electromagnetic Transient Equations）
• ❌分布式参数线路方程（Telegrapher’s Equations）
• ❌发电机摇摆方程（Swing Equations）
• ❌电池电化学模型（如 Newman 的 P2D 模型）

但这恰恰指出了未来的一个方向。

🔌 电力系统 PDE 的特殊挑战

电力系统中的 PDE 有其独特性，这些挑战与 PINNacle 识别的四大挑战高度重合：

此外，电力系统还有一些 PINNacle 未曾涉及的特殊挑战：

• 离散-连续混合系统：电力系统同时包含连续的电磁过程（PDE 描述）和离散的控制动作（断路器跳闸、继电保护），这种混合动态在纯 PDE 框架下难以处理。
• 参数不确定性：线路参数、负荷特性、发电机参数都存在不确定性，PINN 需要在不确定性下保持鲁棒性。
• 实时性要求：电网调度需要在秒级甚至毫秒级给出决策，PINN 的训练时间虽然可以"前置"，但推理时的精度-速度权衡仍需仔细评估。

🎯 呼吁：建立电力系统专用的 PINN 基准

PINNacle 为我们做了一个很好的示范。电力领域也需要自己的"考卷"：

1. 标准化的测试算例：从简单的单机电力系统到复杂的多机系统，从稳态潮流到暂态过程。
2. 统一评估指标：不只是误差，还应包括收敛时间、泛化能力、对参数扰动的鲁棒性。
3. 基线对比：至少应包含 Vanilla PINN、域分解 PINN、损失重加权 PINN，以及传统求解器（如 PSS/E、PSCAD）的结果作为参照。

这对于电力领域的研究者来说，是一个很好的切入点——与其在通用 PDE 上"卷"，不如在自己熟悉的领域建立标杆。

七、PINN 的未来方向

基于 PINNacle 的实验结果和论文讨论部分，PINN 的未来发展有几个清晰的方向：

🔮 方向一：与神经算子融合

PINN 是"针对一个具体实例求解"——每换一组边界条件或参数，就需要重新训练一次网络。而神经算子（Neural Operators，如 DeepONet、FNO）学的是"从输入函数到输出函数的映射"——训练一次，就能处理同一 PDE 族的任意实例。

两者结合的思路是：在训练阶段利用 PINN 的物理约束来保证神经算子的输出符合物理规律（这比纯数据驱动的神经算子更可靠），推理阶段利用神经算子的即时预测能力实现毫秒级响应。论文作者在展望中明确提到了这个方向。实际上，PDEBench 等基准已经包含了 FNO、U-Net 等神经算子方法的对比，而 PINNacle 目前专注于 PINN 方法本身——未来如果扩展到神经算子，将提供更有价值的对比。

🔮 方向二：不确定性量化（UQ）

PINN 目前的输出是一个"点估计"——它告诉你解是什么，但不告诉你有多确定。在电力系统中，不确定性量化至关重要：一个 99% 置信区间比一个"最优点"有用得多。

贝叶斯 PINN（B-PINN）通过在权重上引入先验分布来量化不确定性；集成方法（Ensemble PINN）通过训练多个网络并分析输出方差来估计不确定性。这两种方法在 PINNacle 的基准中尚未包含，但无疑是未来值得关注的方向。

🔮 方向三：与强化学习结合做控制优化

PINN 擅长求解（给定物理方程，求场分布），强化学习擅长决策（给定状态，选动作）。两者结合可以实现物理约束下的最优控制——比如电网的最优潮流控制（在满足物理约束的前提下最小化成本）、微电网的能量管理（考虑电池退化模型等物理约束）。

一个具体的场景：用 PINN 快速求解潮流方程或暂态方程，作为强化学习的环境模型，实现"仿真即训练"，大幅减少与真实系统交互的风险。

🔮 方向四：工业级部署（数字孪生）

论文在讨论中提到了一个务实的方向：将 PINN 集成到数字孪生系统中。数字孪生需要实时或近实时的物理仿真，传统方法往往太慢（尤其是需要多次迭代求解时），而 PINN（尤其是训练完成后）可以在毫秒级给出解——这是其最大的商业价值所在。

但要做到这一点，还需要解决几个关键问题：

• 模型的泛化能力：超出训练域的预测是否可靠？PINNacle 的参数化 PDE 实验初步验证了这一点，但还需要更广泛的验证。
• 推理精度 vs 速度的权衡：在工业场景中，10−210^{-2}10−2的误差可能不够——需要在网络规模和精度之间找到平衡点。
• 与传统仿真软件的互操作性：PINN 需要能够作为"插件"集成到现有的仿真工作流中，而不是完全替代它们。

八、系列总结：四期 PINN 之旅

这是我们「PINN 与电力系统」系列的第四期，也是目前这个系列的一个阶段性总结。让我们快速回顾一下：

💡 给读者的行动建议

如果你是学术研究者：

• 下载 PINNacle 的开源代码（GitHub: https://github.com/i207M/PINNacle），在自己关注的 PDE 上跑一遍基准
• 考虑在电力领域建立类似的基准测试——这是高影响力的研究机会

如果你是工程师：

• 关注域分解（FBPINN）和损失重加权（LRA/NTK）两个方向——这是目前最有工程实用价值的改进
• 在简单算例上验证 PINN 与传统方法的精度差距，再决定是否引入生产环境

如果你是电力行业决策者：

• PINN 目前更适合用在"传统方法太慢或太贵"的场景，比如反问题、参数识别、快速近似
• 不要指望 PINN 替代成熟的电磁暂态仿真软件——至少在精度要求极高的场景下还不行

参考文献

核心论文：

Hao, Z., Yao, J., Su, C., Su, H., Wang, Z., Lu, F., Xia, Z., Zhang, Y., Liu, S., Lu, L., & Zhu, J. (2023).PINNacle: A Comprehensive Benchmark of Physics-Informed Neural Networks for Solving PDEs. arXiv preprint arXiv:2306.08827.

论文中引用的关键方法：

• Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations.Journal of Computational Physics, 378, 686–707.
• Jagtap, A. D., & Karniadakis, G. E. (2021). Extended physics-informed neural networks (XPINNs): A generalized space-time domain decomposition based deep learning framework.AAAI Spring Symposium: MLPS.
• Moseley, B., Markham, A., & Nissen-Meyer, T. (2021). Finite basis physics-informed neural networks (FBPINNs): A scalable domain decomposition approach.arXiv preprint arXiv:2107.07871.
• Wang, S., Teng, Y., & Perdikaris, P. (2021). Understanding and mitigating gradient flow pathologies in physics-informed neural networks.SIAM Journal on Scientific Computing, 43(5), A3055–A3081.
• Yu, J., Lu, L., Meng, X., & Karniadakis, G. E. (2022). Gradient-enhanced physics-informed neural networks for forward and inverse PDE problems.Computer Methods in Applied Mechanics and Engineering, 393, 114823.
• Jagtap, A. D., Kawaguchi, K., & Karniadakis, G. E. (2020). Locally adaptive activation functions with slope recovery for deep and physics-informed neural networks.Proceedings of the Royal Society A, 476(2239), 20200334.
• Yao, J., Su, C., Hao, Z., Liu, S., Su, H., & Zhu, J. (2023). MultiAdam: Parameter-wise scale-invariant optimizer for multiscale training of physics-informed neural networks.arXiv preprint arXiv:2306.02816.
• Wu, C., Zhu, M., Tan, Q., Kartha, Y., & Lu, L. (2023). A comprehensive study of non-adaptive and residual-based adaptive sampling for physics-informed neural networks.Computer Methods in Applied Mechanics and Engineering, 403, 115671.

「能见AI」专注电力能源 × AI 交叉领域的深度解读。如果你觉得这篇文章有帮助，欢迎转发给同样关注这个方向的朋友。

下期预告：PINN 能不能解潮流方程？我们拿真实电网数据来试一把。