标准回答
核心思想
PINN 用神经网络 (u_\theta(x,t)) 直接逼近偏微分方程（PDE）的解。它的特别之处是把物理定律写进损失函数：不仅拟合观测数据，还要求网络输出满足控制方程。
损失构成
- PDE 残差项：在区域内随机采样的配点上，用自动微分求出网络对 (x,t) 的导数，代入控制方程得到残差，要求其趋近 0。
- 边界条件项：在边界配点上约束输出满足给定边界值。
- 初值条件项：在初始时刻约束输出满足初始状态。
三者加权求和，用梯度下降优化网络参数。
优势与适用场景
- 无网格：靠配点采样，不需要传统有限元/有限差分那样的网格剖分，几何复杂时更灵活。
- 反问题：可把方程中的未知物理参数设为可训练变量，从少量观测中反演出来。
- 数据稀少：当观测数据很少时，物理方程作为强先验约束解空间，提升泛化。
局限
训练可能不稳定，多个损失项尺度难平衡；对高频、多尺度、强非线性问题收敛困难。
常见误区
⚠️ 常见踩坑
PINN 不是普通拟合数据的网络：它的监督主要来自 PDE 残差而非大量标签；且多损失项（残差/边界/初值）量级失衡会导致训练不收敛，权重调节是关键。
追问
追问 1：PINN 为什么在数据稀少时仍能工作？
因为它的主要约束不是数据标签，而是控制方程本身。PDE 残差、边界与初值条件在连续域上对解施加了强物理先验，等价于无穷多「软标签」，把解限制在物理可行的函数空间里。因此即使只有极少观测甚至无观测（纯正问题），网络也能被方程约束出合理解，这正是物理先验弥补数据不足的体现。
追问 2：PINN 训练常见的困难有哪些？
主要是多损失项的平衡与病态优化：残差、边界、初值项量级差异大，权重不当会让某项主导，导致边界不满足或残差不收敛。此外对高频、多尺度、强对流/激波等问题，谱偏差使网络难以学到尖锐特征。常见缓解包括自适应损失权重、配点重采样、域分解、以及硬约束嵌入边界条件等。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。