PINN+LSTM融合：物理约束与时间序列预测在多物理场仿真中的应用

做多物理场仿真的同学，大概都遇到过这种场景：模型把温度场、流场、结构响应耦合在一起，每一步仿真都像在跑一场长跑。网格细化、时间步长缩小、多物理场迭代求解，任何一个环节都能把算力吃干净。更头疼的是，实际工程往往还要求“根据一段时间的历史观测，预测未来状态”，而不是给一个固定的初始边界直接算一次。

于是很多人开始尝试 LSTM。LSTM 在时间序列上确实能记忆长期依赖，但纯数据驱动的 LSTM 有一个天然短板：它没有物理约束，预测出来的状态可能满足数值形态，却不满足任何守恒方程。与此同时，PINN（物理信息神经网络）因为能把 PDE 残差写进损失函数而火起来，但直接把它用在时序多物理场上，又容易失去对历史信息的感知。于是“PINN + LSTM”这条技术路线，最近越来越被关注。

这篇文章想做的事很明确：用通俗的方式讲清楚 PINN 和 LSTM 为什么能互补，给出一个可以直接落地的一维热方程 PINN 示例，再说明如何把 LSTM 作为时序编码器嵌入 PINN 的架构中，最后整理一份论文检索和资料检索路线。文章读完，你应该能区分“把两个网络堆在一起”和“从物理与时序两个维度设计损失函数”之间的本质差别。

1. 为什么你该关注 PINN+LSTM

1.1 多物理场仿真的真实痛点

多物理场问题不是“把几个方程放在一起跑”这么简单。温度场、流场、结构应力场往往有完全不同的时间尺度，比如电池热管理中的锂离子浓度扩散、温度传导和应力松弛，响应速度可能相差几个数量级。传统有限差分、有限元做法要想稳定求解，时间步长通常会被最快的物理过程限制住，于是网格越来越细、步长越来越小、耦合迭代越来越多，计算成本成倍上升。

更要命的是，实际工程还需要在线预测。传感器每秒钟都在返回表面温度、流量、压力等历史序列，系统希望基于这些历史观测，快速估计当前内部状态或未来趋势。传统数值仿真可以算出离线工况库，但新工况一出现，又要重新建模计算。这种模式下，LSTM 这类时间序列模型就很有吸引力，因为它可以直接从历史数据中学习状态演化规律。

多物理场仿真的痛点可以概括成三条：第一，耦合计算成本高；第二，实时场景要求模型能利用在线历史数据；第三，很多现场工况没有完整边界条件，只有离散传感器观测。这三条恰好同时指向“时序建模”和“物理约束”，也就是 PINN+LSTM 的出发点。

1.2 LSTM 解决了什么，又留下什么

LSTM 的长处不需要过多解释。它在普通 RNN 基础上引入输入门、遗忘门和输出门，通过 cell state 保存长期信息，因此对时间序列的长期依赖建模非常稳定。把历史观测按时间窗口切出来，LSTM 可以学习“过去一段序列到未来状态”的映射。

但纯 LSTM 的问题也很明显：它本质是数据驱动回归，学到的只是输入输出之间的统计相关性。多物理场样本通常很贵，完整覆盖所有工况几乎不可能，纯 LSTM 一旦遇到训练分布之外的边界条件或载荷，预测就会很快发散。还有一个容易被忽略的问题：多物理场数据往往是异构的，温度、速度、压力量纲不同、范围差异大，LSTM 直接把原始数据拼进去，特征尺度会把训练搞得极不稳定。

所以说，LSTM 解决了“记住历史”的问题，但没有解决“预测结果是否符合物理规律”的问题。很多团队的实践里，LSTM 在测试集上 RMSE 很好看，一换工况就崩，原因就是模型学到了数据曲线形态，没有学到控制方程。

1.3 PINN 补上的关键缺口

PINN 的核心不是“用神经网络替代求解器”，而是把控制方程作为软约束写进损失函数。训练出的网络不仅要拟合观测数据，还要让自动微分算出的 PDE 残差趋向零。这意味着模型在数据稀疏的区域，仍然受到物理规律的约束，外推能力比纯数据驱动模型强很多。

对于一个通用场变量 (u(x,t))，如果控制方程是 (\frac{\partial u}{\partial t} = \alpha \frac{\partial^2 u}{\partial x^2})，PINN 的做法就是用神经网络 (u_\theta(x,t)) 去近似真实解。除了初始条件和边界条件的损失，还会增加一项物理残差损失：

[ \mathcal{L}{pde}=\frac{1}{N}\sum{i=1}^{N}\left(\frac{\partial u_\theta}{\partial t} - \alpha \frac{\partial^2 u_\theta}{\partial x^2}\right)^2 ]

网络预测越接近真实解，这个残差损失就越接近零。这里的偏导全部由自动微分完成，不需要像传统方法那样构造离散网格格式。

但 PINN 也有自己的短板：它通常把时间当成一个普通坐标输入，网络在每个时间点重新“猜”整个空间场。对于长时间演化问题，时序信息并不会被显式记忆，只是以坐标值的形式存在。如果系统还依赖历史观测来反推当前参数，纯 PINN 就不好处理了。

1.4 结合之后的定位

把这三点串起来，结论很清晰：PINN+LSTM 不是把两个模型简单拼接，而是让模型同时拥有两种能力。LSTM 负责从历史观测中提取状态特征，比如当前系统处于什么工况、边界条件大概是什么趋势；PINN 负责保证状态演化满足 PDE 约束，让预测结果不会偏离物理规律。

从工程视角看，这个组合特别适合三类问题：一是只有离散传感器数据、没有完整边界条件的反问题；二是边界条件或源项随时间变化的动态系统；三是训练数据不足但控制方程已知的复杂多物理场场景。

当然也要泼一盆冷水：不是所有问题都需要结合。静态场、单物理场、控制方程简单且初边值完整的问题，用纯 PINN 就够了。如果历史观测本身信息量不足，纯粹时间序列回归用 LSTM 反而更简单。PINN+LSTM 的价值在于“物理约束”和“时序记忆”同时成为刚需的时候，盲目堆模型只会带来更大调参成本。

2. 核心概念与结合逻辑

2.1 PINN：把物理方程变成损失函数

PINN 的基本思想可以拆成四步。

第一步，用神经网络表示物理场。输入是时空坐标 ((x,t))，输出是场变量 (u(x,t))。第二步，用自动微分求出网络输出对输入的各阶偏导，比如 (u_t)、(u_x)、(u_{xx})。第三步，把这些偏导代入控制方程，算出每个配点上的物理残差。第四步，把残差和初始条件、边界条件、观测数据一起放进损失函数，最小化损失训练网络。

这里的关键点是：传统求解器要求离散网格，PINN 只要求“配点”。配点可以是在求解域内随机采样，也可以在关注区域加密。对于几何复杂或多物理场耦合的问题，配点采样比网格生成灵活得多。

PINN 的常见损失结构是：

[ \mathcal{L}=\mathcal{L}{ic}+\mathcal{L}{bc}+\mathcal{L}{data}+\lambda \mathcal{L}{pde} ]

其中 (\mathcal{L}{ic}) 是初始条件损失，(\mathcal{L}{bc}) 是边界条件损失，(\mathcal{L}{data}) 是观测数据损失，(\mathcal{L}{pde}) 是物理残差损失。(\lambda) 是物理损失的权重，这个权重的选择在实践里非常影响训练效果。

2.2 LSTM：用门控机制记住时序信息

LSTM 的完整公式展开会很长，但理解它不需要死记公式。可以把 LSTM 理解成一个带有“记忆单元”的循环网络。输入门决定当前输入有多少写进记忆，遗忘门决定旧记忆要忘掉多少，输出门决定当前记忆有多少输出给下一层。

与普通 RNN 相比，LSTM 解决的核心问题是长距离依赖。比如一段 100 步的温度观测序列，普通 RNN 很难记住第 10 步的信息在第 90 步仍然有用，LSTM 可以通过 cell state 把关键信息传递下去。

在 PINN+LSTM 组合里，LSTM 不一定直接输出未来状态的预测值，更常见的角色是“历史观测编码器”。它读取一段时间的传感器观测序列，输出一个固定维度的状态向量 (h)，这个 (h) 再作为 PINN 的辅助输入。这样 PINN 求解场分布时，就不再只是看坐标，而是能够感知“当前系统处于什么演化阶段”。

2.3 两者的分工和配合

可以用下面这张表来理解两者的分工：

这张表的价值在于帮你做技术选型。如果你的场景在表格左边那一列已经满足要求，就没必要为了“跟风”强行加 LSTM。如果右边那一列才是你真正遇到的困难，那 PINN+LSTM 就值得投入时间。

3. 常见的 PINN+LSTM 架构设计

3.1 方案一：LSTM 作为条件编码器，PINN 作为场求解器

这是最直观的一种结合方式。流程是：先让 LSTM 读取一段历史观测序列，把最后一个时间步的隐藏状态或 cell state 作为特征 (z)；然后把 (z) 与时空坐标 ((x,t)) 拼接，一起输入 MLP 网络，输出场预测 (u)。训练时，损失中同时包含 PDE 残差、边界条件、初始条件和观测数据。

这个方案适合边界条件或控制方程参数随时间缓慢变化的问题。例如电池热管理场景中，表面温度序列已经反映了当前发热强度，LSTM 从中提取的特征，可以帮助 PINN 推断内部温度分布。

优点是结构简单，易于在现有 PINN 代码上改造。缺点是 LSTM 编码历史信息的过程不受 PDE 约束，如果历史序列本身噪声大，特征提取可能不稳定。

3.2 方案二：LSTM 做时间递推，PINN 做单步物理校正

这种方案更接近传统数值求解的“时间步进”思想。LSTM 先从历史序列预测下一个时刻的状态，然后 PINN 对这个预测状态做进一步约束或校正，确保它满足 PDE 残差。

具体实现上，可以先把 LSTM 的预测结果作为“观测数据损失”，再把 PINN 的物理残差叠加进去。这样即使 LSTM 预测偏差较大，PINN 也会把预测拉回物理可行区域。这种架构很像带物理约束的递归神经网络。

它的优势是更符合“滚动预测”的工程习惯，外推能力也比方案一强一些。缺点是训练复杂度高，LSTM 和 PINN 两个模块耦合紧密，梯度反传路径变长，容易出现训练不稳定。

3.3 方案三：编码器-解码器结构

第三种思路是 LSTM 只做时序编码，PINN 再做空间场解码。先输入一段完整的历史观测，LSTM 将其编码为隐藏状态序列；之后通过注意力机制或直接取最终状态，把这个状态作为 PINN 解码器的输入条件，一次性重建未来若干时刻的整场分布。

这个方案适合预测未来较长一段时间的演化和多物理场整体状态。用大白话说，LSTM 负责“读懂历史”，PINN 负责“画出完整场图”。

优点是表达能力强，适合复杂任务；缺点是结构复杂，数据张量维度多，代码实现和调试成本最高。初学者建议先跑通方案一，再逐步尝试方案二和方案三。

4. 环境准备与第一个完整示例

4.1 环境准备

本文示例以 PyTorch 为主。只需要一个 Python 环境，加上标准科学计算库即可。CPU 也能跑通，只是训练速度慢一些；有 GPU 的话训练效率会明显改善。

建议创建一个独立的 conda 环境：

conda create -n pinn python=3.10 conda activate pinn pip install torch numpy scipy matplotlib deepxde

需要说明的是，PyTorch、DeepXDE 等库的版本迭代很快，安装时建议以官方最新稳定版为准，不必盲目追求最新版本。如果只打算跑本文的示例，依赖其实只有 torch、numpy、matplotlib，DeepXDE 是给后续扩展用的，安装与否看个人需求。

DeepXDE 是目前比较成熟的 PINN 开源库，封装了配点采样、残差计算、指标评估等功能。如果你想做复杂几何和多物理场问题，建议后续认真学一下 DeepXDE 的 API。但在入门阶段，先用 PyTorch 手写一遍，对理解 PINN 的底层逻辑更有帮助。

4.2 完整代码：一维热方程 PINN

下面这个示例求解一维热传导方程：

[ \frac{\partial u}{\partial t} = \alpha \frac{\partial^2 u}{\partial x^2}, \quad x \in [0,1], t \in [0,1] ]

初始条件取 (u(x,0)=\sin(\pi x))，边界条件取 (u(0,t)=u(1,t)=0)。这个问题存在解析解：

[ u(x,t)=\sin(\pi x)e^{-\alpha \pi^2 t} ]

所以非常适合用来验证 PINN 实现是否正确。

# 文件路径：heat_pinn.py import torch import torch.nn as nn import numpy as np alpha = 0.2 class MLP(nn.Module): def __init__(self, hidden=64): super().__init__() self.net = nn.Sequential( nn.Linear(2, hidden), nn.Tanh(), nn.Linear(hidden, hidden), nn.Tanh(), nn.Linear(hidden, hidden), nn.Tanh(), nn.Linear(hidden, 1) ) def forward(self, x, t): return self.net(torch.cat([x, t], dim=1)) model = MLP() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) def residual(x, t): x = x.clone().requires_grad_(True) t = t.clone().requires_grad_(True) u = model(x, t) u_t = torch.autograd.grad( u, t, grad_outputs=torch.ones_like(u), create_graph=True )[0] u_x = torch.autograd.grad( u, x, grad_outputs=torch.ones_like(u), create_graph=True )[0] u_xx = torch.autograd.grad( u_x, x, grad_outputs=torch.ones_like(u), create_graph=True )[0] return u_t - alpha * u_xx def train_step(batch_size=64): x_f = torch.rand(batch_size, 1) t_f = torch.rand(batch_size, 1) x_left = torch.zeros(batch_size // 2, 1) x_right = torch.ones(batch_size // 2, 1) x_b = torch.cat([x_left, x_right], dim=0) t_b = torch.rand(batch_size, 1) u_b = torch.zeros(batch_size, 1) x_0 = torch.rand(batch_size, 1) t_0 = torch.zeros_like(x_0) u_0 = torch.sin(np.pi * x_0) r = residual(x_f, t_f) loss_pde = torch.mean(r ** 2) loss_bc = torch.mean((model(x_b, t_b) - u_b) ** 2) loss_ic = torch.mean((model(x_0, t_0) - u_0) ** 2) loss = loss_pde + loss_bc + loss_ic optimizer.zero_grad() loss.backward() optimizer.step() return loss.item() if __name__ == "__main__": for step in range(3000): loss = train_step() if step % 500 == 0: print(step, round(loss, 6)) torch.save(model.state_dict(), "pinn_heat.pth")

这段代码虽然是教学示例，但已经包含了 PINN 的完整要素：网络定义、自动微分、物理残差、初始条件、边界条件、训练循环。3000 步训练在 CPU 上也能在几分钟内完成，适合作为后续实验的基线。

4.3 关键代码逻辑说明

先看数据采样。x_f和t_f都是在 ([0,1]) 内随机采样的配点，它们不需要构成网格。这是 PINN 与传统方法最明显的区别。配点越多，覆盖越充分，物理约束越强；但配点太多也会让训练变慢，实际使用中通常按批次随机采样。

再看自动微分。residual函数中用了两次torch.autograd.grad，第一次求 (u) 对 (t) 的一阶导，第二次求 (u) 对 (x) 的一阶导后再求一次导数，得到二阶导。create_graph=True是为了让高阶导数也能继续反传梯度，这个参数不能省。

初始条件和边界条件是通过硬套公式实现的。边界条件固定在 x=0 和 x=1 两个端点，初始条件直接用正弦解析式。真实工程里初始条件可能来自传感器数据，那就把传感器数据放到loss_data中即可。

损失函数里目前没有给不同项设置权重，默认权重都是 1。实际训练中，PDE 残差、边界条件和初始条件的量级可能差异很大，如果发现某一项主导了梯度更新，就需要加上可调权重。这一点在后面的常见问题部分会详细说明。

训练完成后，模型会保存在pinn_heat.pth。后续评估时直接加载这个文件，不需要重新训练。

5. 从 PINN 到 PINN+LSTM：时序条件编码扩展

5.1 为什么需要把 LSTM 加进来

上面的一维热方程问题，控制方程已知，初边值条件完全确定，纯 PINN 已经足够。但真实工程很少这么理想。比如控制方程中的扩散系数 (\alpha) 并不是常量，而是随温度、湿度、荷电状态变化；边界条件可能在 0 和