gPINN求解Allen-Cahn方程：梯度增强的物理信息神经网络实践

1. 项目背景与问题定义

在科学计算领域，求解带有复杂边界条件的偏微分方程(PDE)一直是个经典难题。Allen-Cahn方程作为描述相场演化的典型非线性PDE，其解在相变界面处会呈现"陡峭过渡层"特征——即在极窄空间范围内发生剧烈变化。传统数值方法在处理这种多陡峭区域问题时，往往面临网格划分困难、计算量爆炸等挑战。

物理信息神经网络(PINN)通过将PDE约束直接嵌入神经网络损失函数，为PDE求解提供了网格无关的新思路。但标准PINN在训练过程中，对解的高梯度区域（如相变界面）的捕捉能力有限，容易出现"梯度消失"现象。这正是本项目引入梯度增强机制(gPINN)的核心动机——通过显式考虑PDE解的梯度信息，提升模型对陡峭区域的表征能力。

2. 方法原理与技术路线

2.1 Allen-Cahn方程数学描述

经典的Allen-Cahn方程形式为：

code复制∂u/∂t = ε²Δu + u - u³

其中ε是界面宽度参数，控制相变区域的陡峭程度。当ε→0时，方程的解会趋近于分段常数函数，在界面处形成极陡的过渡层。

2.2 gPINN的核心创新

标准PINN的损失函数通常包含：

• PDE残差项：|∂u/∂t - ε²Δu - u + u³|²
• 边界条件项：|u - u_boundary|²
• 初始条件项：|u(t=0) - u_initial|²

gPINN在此基础上新增梯度增强项：

code复制λ|∇(∂u/∂t - ε²Δu - u + u³)|²

其中λ是超参数。这项改进迫使神经网络在训练时不仅要满足PDE本身，还要满足PDE的梯度关系，从而在解的高梯度区域获得更好的拟合效果。

2.3 网络架构设计

我们采用具有自适应激活函数的全连接网络：

python复制class AdaptiveTanh(nn.Module):
    def __init__(self, in_features):
        super().__init__()
        self.a = nn.Parameter(torch.ones(in_features))
        
    def forward(self, x):
        return torch.tanh(self.a *