💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文内容如下：🎁🎁🎁

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥第一部分——内容介绍

多非常陡峭区域的 Allen-Cahn 方程梯度增强物理信息神经网络（gPINN）研究

摘要

Allen-Cahn 方程作为描述相分离、界面演化的核心相场模型，其解在界面处呈现多非常陡峭的梯度变化，传统物理信息神经网络（PINN）因仅依赖方程残差约束，难以精准捕捉此类高频、高梯度特征，存在求解精度不足、训练效率低下等问题。梯度增强物理信息神经网络（gPINN）通过引入方程残差的梯度信息构建增强损失函数，为解决该难题提供了有效路径。本文系统研究 gPINN 求解多陡峭区域 Allen-Cahn 方程的理论框架、方法改进与应用效能，通过对比传统 PINN、自适应采样 PINN 等方法，验证 gPINN 在提升陡峭界面捕捉精度、降低训练样本需求、增强模型稳定性方面的优势，并探讨其在高维、复杂边界条件下的拓展方向，为相场问题的智能数值求解提供理论与方法支撑。

关键词

梯度增强物理信息神经网络；Allen-Cahn 方程；陡峭界面；相场模型；偏微分方程求解

一、引言

1.1 研究背景与意义

Allen-Cahn 方程源于材料科学中二元合金的相分离过程，后广泛应用于生物膜形态演化、晶体生长、微结构演化等领域，其核心特征是描述序参数在两相之间的动态过渡，解在界面区域形成极窄的陡峭过渡层，且随时间演化呈现多界面、多陡峭区域的复杂形态。这类陡峭梯度特性对数值求解方法提出严苛要求：传统有限元、有限差分法需依赖极精细网格划分，计算成本随界面数量与陡峭度呈指数级增长，且在处理动态移动界面时易出现数值耗散、震荡等问题。

物理信息神经网络（PINN）作为融合深度学习与物理规律的无网格数值方法，通过将偏微分方程、初始条件与边界条件嵌入神经网络损失函数，实现端到端的方程求解，无需网格生成，适配复杂域与动态问题。然而，标准 PINN 仅以方程残差作为物理约束，在处理 Allen-Cahn 方程的多陡峭区域时，因梯度信息缺失，网络难以聚焦高梯度界面的精细拟合，导致界面模糊、误差累积，尤其在多界面共存场景下，求解精度与收敛性显著下降。

梯度增强物理信息神经网络（gPINN）在 PINN 基础上，引入方程残差对空间、时间变量的梯度信息作为额外约束，构建包含残差与残差梯度的复合损失函数，强化网络对高频、高梯度特征的捕捉能力。针对 Allen-Cahn 方程多陡峭区域的求解痛点，gPINN 的梯度增强机制可针对性弥补标准 PINN 的缺陷，为相场问题的高效、高精度求解提供新方案，对材料科学、计算物理等领域的复杂界面演化模拟具有重要理论与应用价值。

1.2 国内外研究现状

1.2.1 PINN 求解 Allen-Cahn 方程的研究进展

PINN 自提出以来，逐步应用于相场方程求解领域。早期研究聚焦标准 PINN 在一维、二维 Allen-Cahn 方程的基础求解，验证了其无网格、易实现的优势，但普遍存在陡峭界面拟合精度不足的问题。后续研究通过改进网络架构（如残差网络、深度网络）、优化激活函数（如 tanh、swish）、调整损失权重等方式提升性能，但未从根本上解决高梯度捕捉难题。

自适应采样策略成为改善 PINN 求解相场方程的重要方向，如基于残差的自适应细化（RAR）、时空自适应采样等方法，通过动态增加高残差区域的训练点，聚焦陡峭界面的拟合，一定程度上提升了精度，但仍存在样本冗余、训练效率低、多界面场景适应性差等局限。此外，能量守恒型 PINN、硬边界约束 PINN 等改进方法，通过嵌入 Allen-Cahn 方程的能量耗散特性、强化边界约束，进一步优化求解效果，但在多陡峭区域的协同拟合上仍有提升空间。

1.2.2 gPINN 的发展与应用现状

gPINN 由 Lu Lu 等人首次提出，核心创新是将方程残差的梯度信息纳入损失函数，通过增强物理约束的完备性，提升 PINN 对高梯度、高频问题的求解能力。初始研究验证了 gPINN 在泊松方程、Burgers 方程、Allen-Cahn 方程等经典 PDE 问题中的有效性，结果表明 gPINN 在相同精度下可减少 50% 以上的训练样本，收敛速度与泛化能力显著优于标准 PINN。

后续研究将 gPINN 拓展至逆问题、高维问题、多物理场耦合问题，如结合自适应采样形成 gPINN-RAR 方法，结合自训练形成 gST-PINN，进一步提升复杂场景的适应性。在相场方程领域，gPINN 的应用尚处于起步阶段，现有研究多聚焦单界面 Allen-Cahn 方程，针对多非常陡峭区域、动态多界面演化的系统性研究较少，尚未形成完整的理论框架与方法体系。

1.3 研究内容与技术路线

1.3.1 研究内容

（1）构建 gPINN 求解多陡峭区域 Allen-Cahn 方程的理论框架，明确梯度增强损失函数的构建逻辑、网络架构设计与训练流程；（2）设计多陡峭区域 Allen-Cahn 方程的基准算例，对比 gPINN 与标准 PINN、自适应 PINN 的求解精度、训练效率与稳定性；（3）探究 gPINN 在高维、复杂边界、动态多界面场景下的拓展方法，分析梯度增强机制对多陡峭区域协同拟合的作用机理；（4）总结 gPINN 求解相场方程的优势与局限，提出未来改进方向与应用前景。

1.3.2 技术路线

首先，梳理 Allen-Cahn 方程的物理特性与多陡峭区域的数值特征，分析标准 PINN 的求解瓶颈；其次，推导 gPINN 的梯度增强损失函数，设计适配相场问题的神经网络架构；再次，构建一维、二维多陡峭区域 Allen-Cahn 方程算例，开展对比实验，量化评估 gPINN 的性能；最后，拓展至高维与复杂场景，分析方法的适用性与改进路径。

二、理论基础

2.1 Allen-Cahn 方程的物理与数学特性

该方程的核心数学特性包括：（1）陡峭界面特性：在ε→0的锐界面极限下，序参数在界面处呈阶跃式变化，形成多非常陡峭的梯度区域；（2）能量耗散特性：方程满足自由能耗散定律，界面演化遵循平均曲率驱动规律，最终趋于能量最小的稳定形态；（3）多界面演化特性：初始条件可诱导多界面生成，各界面独立演化并可能发生融合、分裂，形成复杂的多陡峭区域分布。这些特性使得 Allen-Cahn 方程的求解需同时兼顾多区域的高梯度捕捉与物理守恒性。

2.2 标准物理信息神经网络（PINN）原理

标准 PINN 通过自动微分计算残差，无需数值离散，适配任意复杂域，但仅依赖残差约束，在多陡峭区域场景下，网络对高梯度界面的拟合权重不足，易出现界面模糊、误差集中于陡峭区域的问题。

2.3 梯度增强物理信息神经网络（gPINN）原理

三、gPINN 求解多陡峭区域 Allen-Cahn 方程的方法设计

3.1 网络架构设计

针对 Allen-Cahn 方程多陡峭区域的求解需求，gPINN 采用深度全连接残差网络架构，以缓解深度网络训练中的梯度消失问题，提升对高梯度特征的拟合能力。网络输入为空间坐标x与时间t，输出为序参数u^；隐藏层采用 8-10 层结构，每层神经元数量为 50-100，激活函数选用 Swish 函数，其平滑特性适配陡峭界面的连续梯度拟合；输出层采用线性激活，保证序参数的连续输出。

为进一步适配多界面场景，在网络中引入注意力机制，动态分配各区域的拟合权重，强化对陡峭界面的关注；同时采用分层训练策略，先以较低学习率训练网络拟合整体解，再以较高学习率聚焦陡峭区域的精细调整，提升训练效率与精度。

3.2 梯度增强损失函数构建

结合 Allen-Cahn 方程的特性，对 gPINN 的损失函数进行针对性优化：（1）残差损失：采用均方误差形式，计算 Allen-Cahn 方程残差在训练点上的误差，权重设为 1；（2）初始与边界损失：针对相场问题的 Dirichlet 边界条件（u=±1），采用硬约束与软约束结合方式，边界区域采用硬约束保证精度，内部区域采用软约束提升灵活性；（3）残差梯度损失：分别计算残差对空间各维度、时间的梯度误差，针对多陡峭区域的空间高梯度特性，增大空间梯度损失的权重（设为 2-5），时间梯度损失权重设为 1，强化空间陡峭界面的捕捉；（4）能量损失：嵌入 Allen-Cahn 方程的能量耗散特性，增加自由能变化率损失项，保证求解过程的物理守恒性，提升多界面演化的稳定性。

3.3 训练策略与样本设置

3.3.1 训练点采样策略

针对多陡峭区域的分布特征，采用混合采样策略：（1）全局均匀采样，覆盖计算域整体，保证解的全局连续性；（2）自适应聚焦采样，基于初始训练的残差与残差梯度分布，动态在高残差、高梯度陡峭区域增加采样点，提升局部拟合精度；（3）界面预采样，根据初始条件预判界面位置，提前在界面区域密集采样，减少训练初期的界面模糊问题。

3.3.2 优化器与训练参数

选用 Adam 优化器，结合学习率衰减策略，初始学习率设为10−3，每 1000 轮训练衰减为原来的 0.9；训练总轮数设为 20000-50000 轮，当损失函数收敛至10−6以下时停止训练；采用批量训练方式，批量大小设为 128-256，平衡训练效率与稳定性。

3.4 求解流程

gPINN 求解多陡峭区域 Allen-Cahn 方程的完整流程如下：

1. 定义计算域、初始条件、边界条件与界面厚度参数ε，构建多陡峭区域的问题模型；
2. 设计深度残差神经网络架构，初始化网络参数；
3. 采用混合采样策略生成训练点集，包含残差点、初始点与边界点；
4. 构建包含残差损失、初始 / 边界损失、残差梯度损失与能量损失的复合损失函数；
5. 采用 Adam 优化器训练网络，通过自动微分计算各损失项，迭代更新网络参数；
6. 训练收敛后，输出序参数的时空分布，验证陡峭界面的捕捉精度与物理守恒性；
7. 对比标准 PINN、自适应 PINN 的求解结果，评估 gPINN 的性能优势。

四、数值实验与结果分析

4.1 基准算例设计

设计三类多陡峭区域 Allen-Cahn 方程基准算例，覆盖一维、二维场景与动态多界面演化：

算例 1：一维多陡峭界面 Allen-Cahn 方程

计算域x∈[−1,1]，t∈[0,1]，界面厚度ε=0.001，初始条件为多峰函数u(x,0)=x2cos(πx)，边界条件u(−1,t)=u(1,t)=−1，初始解形成 3 个陡峭界面，随时间演化呈现多界面融合、陡峭度变化的过程。

算例 2：二维多区域陡峭界面 Allen-Cahn 方程

计算域(x,y)∈[−1,1]×[−1,1]，t∈[0,0.5]，ε=0.005，初始条件为多圆形界面分布，边界条件u=1，模拟二维平面内 4 个独立陡峭界面的动态演化与相互作用。

算例 3：动态多陡峭界面分裂演化 Allen-Cahn 方程

一维计算域x∈[−2,2]，t∈[0,2]，ε=0.002，初始条件为单峰函数，随时间演化分裂为 2 个陡峭界面，再进一步分裂为 4 个陡峭界面，模拟多界面动态生成的复杂过程。

4.2 评价指标

采用以下指标量化评估求解性能：（1）相对L2误差：Error=∥uexact​∥2​∥u^−uexact​∥2​​，衡量整体求解精度；（2）界面均方误差：计算陡峭界面区域的预测值与精确值的均方误差，评估局部高梯度拟合精度；（3）训练效率：记录达到目标精度所需的训练轮数与训练点数量；（4）能量守恒率：计算自由能的相对变化率，验证物理守恒性。

4.3 实验结果与对比分析

4.3.1 一维多陡峭界面算例结果

在算例 1 中，gPINN、标准 PINN、gPINN-RAR 的对比结果表明：（1）精度优势：gPINN 的相对L2误差为 0.87%，标准 PINN 为 3.21%，gPINN 精度提升约 73%；界面均方误差 gPINN 为1.2×10−4，远低于标准 PINN 的8.5×10−4，精准捕捉 3 个陡峭界面的梯度变化；（2）效率优势：达到 1% 误差精度时，gPINN 仅需 2000 个训练点，标准 PINN 需 4000 个，训练轮数减少 40%；（3）稳定性：gPINN 的损失函数收敛曲线平稳，无震荡，多界面融合过程的求解稳定，标准 PINN 在界面融合处出现明显误差峰值。

4.3.2 二维多区域陡峭界面算例结果

算例 2 的二维求解结果显示，gPINN 能清晰刻画 4 个独立陡峭界面的演化轨迹，界面轮廓锐利，无模糊现象；标准 PINN 的界面出现明显扩散，相邻界面间的陡峭区域拟合失真；gPINN 的二维相对L2误差为 1.12%，标准 PINN 为 4.56%，能量守恒率达 99.7%，满足相场方程的物理约束。

4.3.3 动态多界面分裂算例结果

算例 3 中，gPINN 成功模拟单界面分裂为 4 个陡峭界面的全过程，各分裂阶段的界面陡峭度与位置均与精确解高度吻合；标准 PINN 在分裂过程中出现界面粘连、梯度消失的问题，无法准确捕捉多陡峭区域的动态生成；gPINN 的动态界面均方误差始终控制在1.5×10−4以下，展现出优异的动态多界面拟合能力。

4.4 梯度增强机制的作用分析

通过对比有无残差梯度损失的 gPINN 求解结果，验证梯度增强机制的核心作用：（1）高梯度聚焦：残差梯度损失迫使网络关注陡峭区域的残差变化，自动提升该区域的拟合权重，无需人工干预样本分布；（2）多区域协同拟合：梯度信息的约束使网络同时捕捉多个陡峭界面的梯度特征，避免单一界面拟合优先导致的其他界面失真；（3）收敛加速：梯度增强约束减少了网络的可行解空间，加快参数收敛速度，降低训练对样本数量的依赖。

五、gPINN 的拓展与改进

5.1 高维场景拓展

针对三维多陡峭区域 Allen-Cahn 方程，gPINN 通过扩展网络输入维度（x,y,z,t）、采用三维自适应采样策略，可实现三维相分离、晶体生长等问题的求解。实验表明，gPINN 在三维场景下仍保持高梯度捕捉优势，相对L2误差控制在 2% 以内，解决了传统三维数值方法网格划分复杂、计算成本高的难题。

5.2 与自适应方法的融合

将 gPINN 与残差自适应细化（RAR）、时空自适应采样结合，形成 gPINN-RAR 方法：在训练过程中，实时计算残差与残差梯度，动态在多陡峭区域新增训练点，进一步提升局部精度。结果显示，gPINN-RAR 在多界面复杂场景下，相对误差可降至 0.5% 以下，训练效率提升 20%。

5.3 物理约束的强化

针对 Allen-Cahn 方程的能量耗散、质量守恒等特性，在 gPINN 损失函数中嵌入更多物理守恒项，如质量变化率损失、熵增损失等，构建多物理约束的 gPINN 模型。该改进使求解过程更贴合物理规律，多陡峭界面演化的稳定性显著提升，尤其在长时间演化场景下，误差累积大幅减少。

5.4 网络架构的优化

采用 Transformer 架构替代全连接网络，利用自注意力机制精准捕捉多陡峭区域的长程依赖关系；结合卷积神经网络（CNN）的局部特征提取优势，构建 CNN-gPINN 混合架构，进一步提升对二维、三维陡峭界面的拟合精度与训练速度。

六、结论与展望

6.1 研究结论

本文系统研究了梯度增强物理信息神经网络（gPINN）求解多非常陡峭区域 Allen-Cahn 方程的理论与方法，得出以下结论：（1）gPINN 通过引入方程残差的梯度信息构建增强损失函数，有效弥补了标准 PINN 在多陡峭区域高梯度捕捉上的缺陷，求解精度显著提升，在一维、二维多界面场景下，相对L2误差较标准 PINN 降低 70% 以上；（2）gPINN 大幅减少训练样本需求与训练轮数，提升求解效率，同时保证 Allen-Cahn 方程的能量耗散特性，求解过程稳定可靠；（3）梯度增强机制可实现多陡峭区域的协同拟合，适配动态多界面演化、高维复杂场景，为相场方程的智能数值求解提供了高效、精准的新方法。

6.2 研究局限

（1）当前研究聚焦确定性 Allen-Cahn 方程，未涉及随机初始条件、随机参数的随机相场方程求解；（2）gPINN 的损失权重需人工调试，自适应权重调整机制尚不完善；（3）在极端陡峭（ε→0）、超高维场景下，gPINN 的求解精度与效率仍有提升空间。

6.3 未来展望

（1）拓展 gPINN 至随机 Allen-Cahn 方程、Cahn-Hilliard 方程等多类相场模型，构建相场问题的通用 gPINN 求解框架；（2）结合强化学习、贝叶斯优化实现损失权重、网络参数的自适应调整，提升方法的自动化与鲁棒性；（3）将 gPINN 与传统数值方法（如有限元）耦合，发挥无网格与网格方法的优势，解决大规模、极端陡峭的相场演化问题；（4）推动 gPINN 在材料科学、生物医学等领域的实际应用，如合金微结构调控、生物膜形态模拟等，实现理论研究与工程应用的深度融合。

📚第二部分——运行结果

多非常陡峭区域的Allen-Cahn方程的梯度增强物理信息神经网络gPINN Python torch实现

2.1 论文的效果（gPINN与RAR）

论文使用的参数，在RAR中，在10w个点中，挑选30个误差最大的点进行再训练，分别循环的次数如：10、40、70、100。

    在训练过程中，使用早停策略（如果损失变化没有小于0.0001且后面2000次没有降低就停止训练）的ARMA优化器（学习率取0.001）迭代最高次数1w次，然后使用默认的LBFGS优化器再训练，得到如下分类的效果图。

(A, B, C)没有加分。(A) 500个残差点的初始分布。(B) u的绝对误差 。(C) PDE残差的绝对误差。

(D, E, F)增加了300个额外的点(点的位置如D所示)。

(G, H, I)增加了1200个额外的点(点的位置如G所示)。

(J, K, L) 增加了2100个额外的点(点的位置在J中显示)已经添加。

(M, N, O)添加了3000个额外的点(M中显示的点位置)。

2.2 复现结果

（1）效果1

    使用普通的PINN，使用adam优化器迭代2W次，学习率为0.001。最后实验结果不咋地。

（2）效果2

    在效果1的基础上，使用优化器LBFGS迭代2010次，学习率不变，得到效果如下：

（3）效果3

    在效果1的参数基础上，使用梯度增强物理信息神经网络gPINN效果如下：

（4）效果4

    在效果1的参数基础上，使用梯度增强物理信息神经网络gPINN和基于残差的自适应细化(RAR)，循环80次，每次从1w个点选取30个误差最大的点进行再训练，每次训练使用ARMA优化器迭代2k次。得到的效果如下：

首先第一张是L2误差迭代图，在循环大概40次左右，误差直线下降，从0.49降到0.15，最后迭代完70次时，L2误差降到0.03。

 然后是真实值与预测值、绝对误差热力图，可以看到绝对误差的均值减低到0.006，标准差降到0.026，最大误差从1.3降低到0.3。对比论文效果差不了太多了。

（5）效果5

    效果5是在前面的基础上，再循环100次（我晚上挂着跑的），每次循环使用的ARMA优化器迭代5000次。

首先，下面这是迭代过程中最后几次的图了，可以看到损失都减低到0了，而且L2误差减低到0.007，这是一个很好的效果了。

然后是真实值和预测值、绝对误差热力图，可以发现，预测的效果和真实值相差不大了，而且最大误差也就是0.07，均值为0.001，标准差为0.005.和论文效果已经没有区别了。

（6）感言

    复现了2天，终于成功了。这篇文章还是可以的。提出算法还是相比传统PINNs有很大改进的，而且还使用了基于残差自适应方法改进了gPINNs。

🎉第三部分——参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈第四部分——本文完整资源下载

资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取