开篇先聊一个很实际的问题我们在工业场景里做预测手里拿到的往往是好几个传感器通道的数据想预测的目标却只有一个。比如根据压缩机进口温度、出口压力、转速、振动位移去预测轴承的剩余寿命或者根据生产线的温度、湿度、电流、张力去预测一卷料膜最后的厚度偏差。这类问题套到深度学习里就是典型的多输入单输出时序预测。常规做法大家都熟LSTM、Transformer、TCN把历史窗口喂进去让网络自己去学特征。但这类纯数据驱动模型有个躲不掉的硬伤——数据不够的时候学出来的规律很容易跑偏而且模型只认数据里的统计相关性完全不认物理规律。PINN物理信息神经网络这两年火核心思路其实非常朴素既然你预测的对象是某个物理系统的输出那这个系统的控制方程微分方程就是现成的约束。把方程残差当成损失函数的一部分逼着神经网络的输出同时满足“数据长得像”和“物理上说得通”两个条件。这篇文章就围绕“用Matlab实现一个多输入单输出的PINN时序预测模型”展开。我会直接给出可运行的思路、核心代码骨架、坑位清单和调参经验。适合有Matlab基础、想在自己的项目里把物理先验塞进预测模型里的朋友参考。先说清楚Matlab做PINN相比Python有个优势——Deep Learning Toolbox的自动微分是封装好的dlgradient和dlnetwork这对组合用起来非常顺手不需要自己写反向传播。但同时网上关于“Matlab版PINN”的学习资料明显比Python少一大截很多Python教程里的细节拿到Matlab环境下要重新踩一遍。这篇文章就把那些坑提前帮你填上。1. 为什么多变量时序预测需要物理信息1.1 纯数据驱动模型的硬伤先举一个我实际调试过的例子。某设备的关键参数预测任务输入是6个传感器变量、每步50个时间点输出只有1个温度值。用LSTM训练训练集上loss降得挺漂亮验证集上平时也还算稳定。但一旦设备工况出现波动比如进料温度短时间内跳了20%LSTM的预测值就开始“飘”误差直接放大三四倍。这种情况不是个例。纯数据驱动模型学到的本质是训练集范围内的统计映射关系它根本不知道背后的热传导方程是怎么约束温度场演化的。你给它的输入模式一旦跳出训练数据覆盖的区域它就只能靠“猜”。PINN解决问题的角度完全不同。它不要求你放弃神经网络而是要求你在损失函数里“植入”控制方程。模型输出不仅要拟合历史数据它的导数组合还要满足物理方程的残差趋近于零。换句话说网络在学习时被物理定律“扶着走”即使某段数据区间样本稀疏物理方程也能给梯度提供一个合理的约束方向。1.2 物理约束的本质把微分方程变成损失项假设一个简单的一维热传导过程[ \frac{\partial T}{\partial t} \alpha \frac{\partial^2 T}{\partial x^2} Q(t) ]输出温度T是网络的预测值α是热扩散系数Q是外源项可以是输入变量之一。PINN的做法是让神经网络输出一个函数 (\hat{T}(t, x))然后把这个函数代进方程算一个残差[ r(t,x) \frac{\partial \hat{T}}{\partial t} - \alpha \frac{\partial^2 \hat{T}}{\partial x^2} - Q(t) ]如果网络输出完全符合物理规律那 (r(t,x)) 应该到处都接近0。于是损失函数变成[ L L_{data} \lambda L_{physics} ]其中 (L_{data}) 是网络在真实样本上的拟合误差常用MSE(L_{physics}) 是方程残差的均方值λ是物理项的权重系数。这里有个特别关键的点方程里的时间导数和空间导数在Matlab里不是靠数值差分算的而是靠自动微分AD算的。dlgradient对网络输出的某个输入维度求导就是PINN的标准动作。1.3 时序预测里PINN到底约束的是什么时序预测和静态回归有个区别时间方向天然有因果关系。LSTM这类循环结构内部其实是在学习一个隐式的状态转移函数但这个转移函数对不对模型自己不知道。PINN在时序问题里做的事就是给这个隐式转移加一个显式的物理规则。比如你要预测一个机械振动系统的位移响应系统的控制方程就是一个二阶常微分方程[ m\ddot{x} c\dot{x} kx F(t) ]网络输入是历史位移和激振力输出是未来位移。PINN额外要求网络输出 (\hat{x}(t)) 在时间方向上求二阶导然后组合成 ((m\ddot{\hat{x}} c\dot{\hat{x}} k\hat{x} - F))这个残差要趋近于0。这相当于把“系统的质量、阻尼、刚度参数”也变成了隐式约束模型输出就不会偏离物理事实太远。明白这一点就理解为什么标题里强调“多输入单输出”了多变量输入主要给网络提供外源驱动信息和历史状态信息物理方程管的是“输出变量如何随时间演化”两者不矛盾反而互补。2. 从问题建模到数据构造2.1 多输入单输出的问题定义先给一个明确的数学定义方便后面代码对照。假设输入变量维度 (m4)分别为 (u_1(t), u_2(t), u_3(t), u_4(t))输出变量 (y(t))维数1每个训练样本是一个历史窗口从 (t-L1) 到 (t) 的输入序列形状是 ([L, m])预测目标未来 (H) 步的 (y) 值本文先只讨论单步预测 (H1)数据矩阵形式如下表所示时间索引u1u2u3u4yt-L10.520.3110.20.425.3..................t0.610.3511.10.526.0t1标签----26.4滑窗切分后每个样本 (X_i) 的形状是 ([L, m])每个标签 (Y_i) 是一个标量。这就是标准的监督学习格式。2.2 数据归一化千万别忽略的物理一致性很多初学者在PINN里翻车第一关就死在归一化上。物理方程里的系数比如热扩散系数α、刚度k、阻尼c都是在原始物理量纲下定义的。如果把输入输出数据全部归一化到[0,1]或[-1,1]那么方程殘差的计算也必须同步换算否则系数对不上物理约束就完全失效。我的做法分两步数据归一化确实要做对网络收敛有好处。但要把归一化所用的均值和标准差或min/max保存下来。物理方程残差计算直接基于网络的原始输出做自动微分然后再把导数值反归一化回物理量纲最后代入方程。实际操作中还有一个更取巧的办法直接在归一化空间里重新缩放物理方程的系数。因为 (x (x - \mu)/\sigma)所以 (dx/dt (1/\sigma)(dx/dt))二阶导以此类推。把缩放后的系数重新代入方程这样方程残差的计算全程都在归一化空间完成网络内部不需要任何额外处理。这里给一个通用换算公式。假设原方程[ a_2\ddot{x} a_1\dot{x} a_0 x F ]定义缩放 (x x_{std} x x_{mean})(F F_{std} F F_{mean})那么归一化空间的方程变为[ (a_2 / x_{std}) \ddot{x} (a_1 / x_{std}) \dot{x} a_0 x (F_{std}/x_{std}) F (F_{mean} - a_0 x_{mean})/x_{std} ]看着复杂但代码里其实只是一个系数向量预先算好跑起来很快。2.3 训练集/验证集的划分技巧时序预测的数据划分不能像静态数据集那样随机打乱。原因很简单时间窗口之间有重叠随机打乱会把未来信息泄漏到训练集里模型验证结果会虚假偏高。推荐的做法是按时间顺序划分前70%做训练中间15%做验证用于调超参后15%做测试最终评估。如果你的实验数据来自多段不同工况更合理的方式是以“工况段”为单位划分保证同一个工况的数据不会同时出现在训练集和测试集。这个细节对带物理约束的模型尤其重要——因为PINN本身对训练数据的依赖就比纯数据驱动小如果数据划分再做不好很难判断提升到底是来自物理约束还是来自数据泄漏。3. 网络结构与Matlab代码实现3.1 选用dlnetwork搭建全连接网络Matlab的dlnetwork是深度学习工具箱里推荐的方式支持自定义损失函数和自动微分。配合dlgradient可以在一次前向传播里同时算出数据损失和物理损失并完成梯度回传。PINN里的主力网络其实不需要太花哨。全连接网络MLP配合适当的激活函数理论上已经能逼近很复杂的非线性函数。我用的是三层隐藏层、每层32个神经元的结构激活函数全部用tanh。为什么用tanh因为PINN需要对输出求高阶导数而ReLU在零点不可导、二阶导恒等于0这会让方程里带二阶导的残差项信息丢失。tanh光滑可导二阶导也有真实的变化信息是当前PINN实践里最稳妥的选择。3.2 核心代码骨架下面这份代码是完整可运行的骨架省略了数据加载部分重点展示PINN的核心训练循环。% 搭建网络 inputSize L * m; % 将[L, m]展平成向量作为输入 layers [ featureInputLayer(inputSize, Normalization, none) fullyConnectedLayer(32) tanhLayer fullyConnectedLayer(32) tanhLayer fullyConnectedLayer(32) tanhLayer fullyConnectedLayer(1) ]; net dlnetwork(layers); % 训练参数 numEpochs 300; miniBatchSize 64; initialLearnRate 1e-3; lambdaPhysics 0.1; % 物理项权重 averageGrad []; averageSqGrad []; gradDecay 0.9; sqGradDecay 0.999; % 展开训练数据每个样本X(i)展平成1D向量 % XTrain: [inputSize, numSamples] dlarray % YTrain: [1, numSamples] dlarray % 额外附带物理方程需要的原始输入变量比如外源项F for epoch 1:numEpochs iteration 0; for i 1:numIterationsPerEpoch % 取batch idx randi(numSamples, miniBatchSize, 1); XBatch XTrain(:, idx); YBatch YTrain(:, idx); % 物理方程所需的额外变量也取对应batch [loss, grad] dlfeval(modelLoss, net, XBatch, YBatch, ... U1Batch, U2Batch, lambdaPhysics, dt); % Adam更新 [net, averageGrad, averageSqGrad] adamupdate(net, grad, ... averageGrad, averageSqGrad, iteration, initialLearnRate, ... gradDecay, sqGradDecay); end % 每个epoch打印loss end3.3 损失函数的关键实现modelLoss函数modelLoss是整段代码的核心。我先按照一个简单的物理系统来写预测对象是一个受阻尼振动的位移响应输入变量包括历史位移、历史速度、外激励力。这个系统可以看成很多物理系统的简化抽象。function [loss, grad] modelLoss(net, XBatch, YBatch, FextBatch, lambdaPhysics, dt) % 前向传播 YPred forward(net, XBatch); % 数据损失 dataLoss mse(YPred, YBatch); % 物理损失计算预测输出对时间的一阶导数 % 这里需要把时间维度从输入中取出来 % 假设XBatch的最后一列是时间t % 对YPred求关于输入最后一列时间的梯度 dYdT dlgradient(sum(YPred), XBatch(end, :)); % 构建物理系统的微分方程残差 % 假设系统 m*y c*y k*y Fext % 参数设为 m2, c0.5, k3取决于具体系统 m 2; c 0.5; k 3; % 二阶导 d2YdT2 dlgradient(sum(dYdT), XBatch(end, :)); % 物理约束m*y c*y k*y - F 0 physicsResidual m * d2YdT2 c * dYdT k * YPred - FextBatch; physicsLoss mean(physicsResidual.^2); % 总损失 loss dataLoss lambdaPhysics * physicsLoss; % 自动微分获得梯度 grad dlgradient(loss, net.Learnables); end这段代码里有三个容易出错的细节要重点解释一下第一个是dlgradient(sum(YPred), XBatch(end,:))这个写法。dlgradient要求第一个参数是标量所以要对YPred求和再求梯度。因为YPred里每个元素只依赖对应样本的输入求和不会破坏梯度计算逻辑这个技巧在Matlab的PINN实现里很常用。第二个是二阶导的处理。d2YdT2 dlgradient(sum(dYdT), XBatch(end,:))这个写法有一个前置条件dYdT必须被保留为dlarray的跟踪状态不能经过普通的数值数组转换。初学者最容易犯的错误是在求完一阶导后把它extractdata了导致二阶导直接报错或梯度为0。第三个是物理参数的设置。m2,c0.5,k3是示例值。实际工程项目里这些参数可能来自设备铭牌、设计文档或系统辨识结果。参数给错了PINN的物理损失不仅帮不上忙还会把模型往错误方向推。我在实际项目里见过有人把阻尼比写大了10倍结果预测曲线振荡衰减得特别快验证集误差比纯LSTM还高。3.4 多步预测是如何嵌进这个框架的如果标题需求是单步预测上面代码已经够了。但如果你要的是多步预测比如预测未来5个时刻代码要做两处调整网络输出维度从1改为H即输出未来H个时刻的值。物理损失需要在H个输出点上分别计算方程残差然后对所有残差求平均。输出维度改法把最后一层fullyConnectedLayer(1)改成fullyConnectedLayer(H)标签也从标量改成向量。物理损失的改法% 对每个预测时刻单独计算物理残差 physicsLoss 0; for h 1:H dYdT dlgradient(sum(YPred(h, :)), XBatch(end, :)); % ... 计算残差 physicsResidual m * d2YdT2 c * dYdT k * YPred(h, :) - FextBatch(h, :); physicsLoss physicsLoss mean(physicsResidual.^2); end physicsLoss physicsLoss / H;这里有个细节外激励力Fext在处理多步预测时也是需要未来H个时刻的序列。如果你使用的是历史时刻的观测外激励那么预测的就是“给定外激励序列求响应”这个在工程上是合理的设定。4. 训练策略与调参细节4.1 为什么默认先试AdamPINN的损失函数实际上是一个多目标优化问题数据拟合和物理方程两边要同时满足。这种非凸优化问题对优化器的选择很敏感。L-BFGS这类二阶方法收敛快但容易过拟合到局部极值而且Matlab的fmincon配合dlarray的自动微分衔接起来比较别扭。我通常先用Adam跑300到500个epoch把网络拉到最优附近再切换到L-BFGS做精调。切换时把Adam学到的参数作为L-BFGS的初值这样能兼顾稳定性和精度。如果你不想搞这么麻烦只留着Adam也能出结果我的经验是验证集精度会稍差一点但整体趋势不会错。4.2 物理权重lambda的调整思路lambda是最值得花时间调的超参数。它控制物理约束的强度调不好会导致两个问题lambda太大网络输出会被物理方程“绑架”变的非常平滑但拟合不了数据里的高频细节lambda太小物理约束形同虚设模型退化成普通的MLP回归。我的调整策略是从大到小搜索先设lambda1跑一个短训练观察验证集loss。如果dataLoss能正常下降说明物理约束没有压制数据拟合如果dataLoss卡在高位下不去就把lambda缩小10倍再试。另一个细节是lambda可以做成随训练过程变化的。前200个epoch用小lambda例如0.01让网络先把数据基本模式学到后面再逐渐放大到0.1或0.5让物理约束做精调。这种“课程式”的训练方式在PINN里效果很好。4.3 学习率与批大小PINN的损失函数梯度包含高阶导数的反传梯度量级往往比普通深度学习大学习率太大会直接发散。我的初始值一般用1e-3如果训练曲线出现震荡就降到3e-4或1e-4。批大小方面物理损失的计算和样本是独立的不需要特别大的batch。实测miniBatchSize64在大多数问题上已经够了大batch反而会让物理损失下降变慢。4.4 收敛判据与早停PINN里不能只看总loss要分开看dataLoss和physicsLoss的变化曲线。一个健康的训练过程是dataLoss先快速下降physicsLoss慢慢跟上。如果physicsLoss一直不降说明物理约束和网络表达之间有冲突优先检查归一化换算和导数计算。我习惯保存验证集loss最低的模型而不是最后一个epoch的模型。因为PINN在训练后期很容易出现过拟合到物理残差的现象——训练集上总loss很好看验证集上一塌糊涂。5. 消融实验与踩坑记录5.1 有无物理约束的对比效果我用一组公开的阻尼振动数据做了消融实验输入包含历史位移、速度、外激励三个变量预测下一时刻的位移。训练样本只给了500个模拟小样本场景。模型训练集MSE验证集MSE测试集MSE纯MLP无物理约束0.0120.0380.052PINNlambda0.010.0140.0260.033PINNlambda0.10.0180.0210.024PINNlambda1.00.0310.0300.031从结果可以清楚看到lambda0.1时验证集和测试集表现最好lambda1.0时训练集误差反而更高因为物理约束太强压制了数据拟合能力。这个表给我们的启发是PINN不是加得越猛越好存在一个“甜点区间”。在样本量小、噪声大的场景下这个甜点区间的收益非常明显但如果数据足够多、噪声也够低纯MLP和PINN的差距会缩小这时物理约束的主要价值就体现在外推能力上。5.2 坑位一dlgradient二阶导计算失败第一次实现二阶导时我遇到了一个典型的报错“Value must be a dlarray”。排查了半天发现是一阶导被我用了extractdata取出数值再求二阶导。在Matlab里dlgradient的结果本身仍然是dlarray直接对该结果再次调用dlgradient是可以的但一定要保持它在计算图内。解决办法其实很简单求一阶导之后不要做任何取数操作直接传给下一个dlgradient。如果你需要在物理损失里使用一阶导的数值先用它做完所有计算最后统一提取。5.3 坑位二物理参数的量纲混乱这个问题在3.3节的归一化部分提过。我实际犯过的错误是在归一化空间里用了原始物理参数导致方程残差比别人大了好几个数量级。那时候物理损失小不下去网络输出明显偏离数据我还一直在调lambda完全没意识到是系数问题。解决办法是上面给的那个统一换算公式。写代码的时候把系数换算写在注释旁边方便后续复查。5.4 坑位三时间步长dt的设置PINN在时间方向上对输出求导数时dt的物理单位要和数据采样周期一致。如果你的数据是每0.01秒采样一次但网络输入里时间单位用了1秒那求出来的导数就放大了100倍方程残差也完全不是那么回事。我在代码里的处理方式是在网络输入里直接加一个时间通道值为(0:L-1)*dt。这样dlgradient对时间通道求导时自动把采样周期考虑进去了。不要在多个变量里混用不同的时间基准。5.5 后续可扩展的方向写到这里这个框架其实已经覆盖了PINN做多输入单输出时序预测的核心链路。如果你的项目有更高要求可以从这几个方向继续做把单步预测改成滚动多步预测训练时让网络接收上一步的预测输出作为下一步的部分输入但要注意误差累计会导致训练不稳定。在物理损失里加自适应权重利用Gradient Norm的统计信息动态调整lambda。把全连接网络替换成LSTM结构在dlnetwork里支持自定义的LSTM层这样既能保留物理约束又能利用循环结构提取时序依赖。我个人在实际项目里的体会是PINN最值得用的场景不是大样本高精度预测而是小样本、有噪声、需要外推的场景。物理约束就像给了模型一副“物理直觉”的眼镜帮它在数据稀疏的地方也能保持合理的输出行为。Matlab环境下这套实现虽然资料少但核心链路其实是简明的——构造网络、算导数、组损失、迭代优化把这四步跑通之后迁移到自己的物理系统上只是换一个方程的事。