[人工智能]深度学习求解微分方程系列一：PINN求解框架

下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch框架实现求解一维Poisson方程。
深度学习求解微分方程系列二：PINN求解burger方程
内嵌物理知识神经网络(PINN)入门及文献总结

1.PINN简介

神经网络作为一种强大的信息处理工具在计算机视觉、生物医学、 油气工程领域得到广泛应用, 引发多领域技术变革.。深度学习网络具有非常强的学习能力, 不仅能发现物理规律, 还能求解偏微分方程.。近年来，基于深度学习的偏微分方程求解已是研究新热点。内嵌物理知识神经网络（PINN）是一种科学机器在传统数值领域的应用方法，能够用于解决与偏微分方程 （PDE） 相关的各种问题，包括方程求解、参数反演、模型发现、控制与优化等。

2.PINN方法

PINN的主要思想如图1，先构建一个输出结果为$\hat{u}$的神经网络，将其作为PDE解的代理模型，将PDE信息作为约束，编码到神经网络损失函数中进行训练。

损失函数主要包括4部分：偏微分结构损失(PDE loss)，边值条件损失(BC loss)、初值条件损失(IC loss)以及真实数据条件损失(Data loss)。特别的，考虑下面这个的PDE问题，其中PDE的解$u(x)$在$\Omega ?{\mathbb{R}}^d$定义，其中$\mathbf{x}=\left(x_1,\dots ,x_d\right)$：
$$f\left(\mathbf{x};\frac{?u}{?x_1},\dots ,\frac{?u}{?x_d};\frac{{?}^{2}u}{?x_1?x_1},\dots ,\frac{{?}^{2}u}{?x_1?x_d}\right)=0,\mathbf{x}\in \Omega$$
同时，满足下面的边界
$$\mathcal{B}(u,\mathbf{x})=0\text{?on?}?\Omega$$
为了衡量神经网络$\hat{u}$和约束之间的差异，考虑损失函数定义：
$$\mathcal{L}\left(\mathbf{\theta }\right)=w_f{\mathcal{L}}_{PDE}\left(\mathbf{\theta };{\mathcal{T}}_f\right)+w_i{\mathcal{L}}_{IC}\left(\mathbf{\theta };{\mathcal{T}}_i\right)+w_b{\mathcal{L}}_{BC}\left(\mathbf{\theta },;{\mathcal{T}}_b\right)+w_d{\mathcal{L}}_{Data}\left(\mathbf{\theta },;{\mathcal{T}}_{data}\right)$$
式中：
$$\begin{array}{rl}{\mathcal{L}}_{PDE}\left(\mathbf{\theta };{\mathcal{T}}_f\right)& =\frac{1}{\left|{\mathcal{T}}_f\right|}\sum _{\mathbf{x}\in {\mathcal{T}}_f}{\Vert f\left(\mathbf{x};\frac{?\hat{u}}{?x_1},\dots ,\frac{?\hat{u}}{?x_d};\frac{{?}^2\hat{u}}{?x_1?x_1},\dots ,\frac{{?}^2\hat{u}}{?x_1?x_d}\right)\Vert }_2^2\\ {\mathcal{L}}_{IC}\left(\mathbf{\theta };{\mathcal{T}}_i\right)& =\frac{1}{\left|{\mathcal{T}}_i\right|}\sum _{\mathbf{x}\in {\mathcal{T}}_i}\Vert \hat{u}(\mathbf{x})?u(\mathbf{x}){\Vert }_2^2\\ {\mathcal{L}}_{BC}\left(\mathbf{\theta };{\mathcal{T}}_b\right)& =\frac{1}{\left|{\mathcal{T}}_b\right|}\sum _{\mathbf{x}\in {\mathcal{T}}_b}\Vert \mathcal{B}(\hat{u},\mathbf{x}){\Vert }_2^2\\ {\mathcal{L}}_{Data}\left(\mathbf{\theta };{\mathcal{T}}_{data}\right)& =\frac{1}{\left|{\mathcal{T}}_{data}\right|}\sum _{\mathbf{x}\in {\mathcal{T}}_{data}}\Vert \hat{u}(\mathbf{x})?u(\mathbf{x}){\Vert }_2^2\end{array}$$
$w_f$，$w_i$、$w_b$和$w_d$是权重。${\mathcal{T}}_f$，${\mathcal{T}}_i$、${\mathcal{T}}_b$和${\mathcal{T}}_{data}$表示来自PDE，初值、边值以及真值的residual points。这里的${\mathcal{T}}_f?\Omega$是一组预定义的点来衡量神经网络输出$\hat{u}$与PDE的匹配程度。

3.求解问题定义

$\begin{array}{rl}\frac{{\mathrm{d}}^{2}u}{\mathrm{d}{x}^2}& =?0.49?\sin (0.7x)?2.25?\cos (1.5x)\\ u(?10)& =?\sin (7)+\cos (15)+1\\ u(10)& =\sin (7)+\cos (15)?1\end{array}$
真实解为
$u:=\sin (0.7x)+\cos (1.5x)?0.1x$

4.Python求解代码

第一步，首先定义神经网络

# torch version 1.4.0    
import torch
import torch.optim
from collections import OrderedDict
import torch.nn as nn

class Net(nn.Module):
    def __init__(self, seq_net, name='MLP', activation=torch.tanh):
        super().__init__()
        self.features = OrderedDict()
        for i in range(len(seq_net) - 1):
            self.features['{}_{}'.format(name, i)] = nn.Linear(seq_net[i], seq_net[i + 1], bias=True)
        self.features = nn.ModuleDict(self.features)
        self.active = activation

        # initial_bias
        for m in self.modules():
            if isinstance(m, nn.Linear):
                nn.init.constant_(m.bias, 0)

    def forward(self, x):
        length = len(self.features)
        i = 0
        for name, layer in self.features.items():
            x = layer(x)
            if i == length - 1: break
            i += 1
            x = self.active(x)
        return x

第二步，PINN求解框架

from net import Net
import os
import matplotlib.pyplot as plt
import torch
from torch.autograd import grad

def d(f, x):
    return grad(f, x, grad_outputs=torch.ones_like(f), create_graph=True, only_inputs=True)[0]

def PDE(u, x):
    return d(d(u, x), x) + 0.49 * torch.sin(0.7 * x) + 2.25 * torch.cos(1.5 * x)

def Ground_true(x):
    return torch.sin(0.7 * x) + torch.cos(1.5 * x) - 0.1 * x

def train():
    lr = 0.001
    n_pred = 100
    n_f = 200
    epochs = 8000

    os.environ['CUDA_VISIBLE_DEVICES'] = '0'
    device = torch.device('cuda:0') if torch.cuda.is_available() else torch.cuda('cpu')

    PINN = Net([1, 50, 50, 50, 1]).to(device)

    x_left, x_right = -10, 10
    optimizer = torch.optim.Adam(PINN.parameters(), lr)
    criterion = torch.nn.MSELoss()

    loss_history = []

    for epoch in range(epochs):
        optimizer.zero_grad()
        # inside
        x_f = ((x_left + x_right) / 2 + (x_right - x_left) *
               (torch.rand(size=(n_f, 1), dtype=torch.float, device=device) - 0.5)
               ).requires_grad_(True)
        u_f = PINN(x_f)
        PDE_ = PDE(u_f, x_f)
        mse_PDE = criterion(PDE_, torch.zeros_like(PDE_))

        # boundary
        x_b = torch.tensor([[-10.], [10.]]).requires_grad_(True).to(device)
        u_b = PINN(x_b)
        true_b = Ground_true(x_b)
        mse_BC = criterion(u_b, true_b)

        # predict
        x_pred = ((x_left + x_right) / 2 + (x_right - x_left) *
                  (torch.rand(size=(n_pred, 1), dtype=torch.float, device=device) - 0.5)
                  ).requires_grad_(True)
        u_f = PINN(x_pred)
        true_f = Ground_true(x_pred)
        mse_pred = criterion(u_f, true_f)

        loss = 1 * mse_PDE + 1 * mse_BC
        loss_history.append([mse_PDE.item(), mse_BC, mse_pred])

        if epoch % 100 == 0:
            print(
                'epoch:{:05d}, EoM: {:.08e}, BC: {:.08e}, loss: {:.08e}'.format(
                    epoch, mse_PDE.item(), mse_BC.item(), loss.item()
                )
            )

        loss.backward()
        optimizer.step()

        xx = torch.linspace(-10, 10, 10000).reshape((-1, 1)).to(device)

        if (epoch + 1) % 300 == 0:
            yy = PINN(xx)
            zz = Ground_true(xx)
            xx = xx.reshape((-1)).data.detach().cpu().numpy()
            yy = yy.reshape((-1)).data.detach().cpu().numpy()
            zz = zz.reshape((-1)).data.detach().cpu().numpy()
            plt.cla()

            plt.plot(xx, yy, label='PINN')
            plt.plot(xx, zz, label='True', color='r')
            plt.legend()

            plt.title('PINN(epoch{}))'.format(epoch + 1))
            plt.show()

    plt.plot(loss_history)
    plt.legend(('PDE loss', 'BC loss', 'Pred loss'), loc='best')
    plt.show()

if name == ‘main’:
train()

5.结果展示