9.3 物理感知神經網路 PINN#

9.3.1 前因：純資料驅動的天花板#

9.1 節的 Neural ODE 與 9.3 節之前的世界模型都有一個共同弱點：資料驅動模型不知道物理定律，因此在分布外會外推出違反能量守恆、動量守恆的荒謬軌跡。然而控制工程面對的系統（流體、熱傳、結構力學）往往有百年驗證的偏微分方程（PDE）可用。2019 年 Raissi、Perdikaris 與 Karniadakis 提出物理感知神經網路（Physics-Informed Neural Networks, PINN），把 PDE 殘差直接寫進損失函數，讓資料與物理第一性原理同時約束模型。

9.3.2 PINN 的數學形式#

考慮一般 PDE：

\[ u_t + \mathcal{N}[u; \lambda] = 0, \quad x \in \Omega, \; t \in [0, T] \]

其中 \(u\) 是解、 \(\lambda\) 是未知物理參數（如黏度、熱導率）。以神經網路 \(u_\theta(t, x)\) 逼近解，定義三項損失：

\[ \mathcal{L} = \underbrace{\| u_\theta - u_{\text{data}} \|^2_{\Gamma}}_{\text{資料項}} + \underbrace{\| u_\theta - g \|^2_{\partial \Omega}}_{\text{邊界條件}} + \underbrace{\frac{1}{N_f} \sum_{i=1}^{N_f} \left\| u_t + \mathcal{N}[u_\theta; \lambda] \right\|^2_{(t_i, x_i)}}_{\text{PDE 殘差項}} \]

關鍵技巧：PDE 中的導數 \(\partial u_\theta / \partial t\) 、 \(\partial^2 u_\theta / \partial x^2\) 以自動微分精確計算（不是數值差分），這是深度學習框架（PyTorch/JAX）贈與控制社群的禮物。

以熱方程為例，殘差即：

\[ r_\theta = \frac{\partial u_\theta}{\partial t} - \alpha \frac{\partial^2 u_\theta}{\partial x^2} \]

flowchart TD
    A[PDE 物理定律] --> C[PINN 損失函數]
    B[少量感測器資料] --> C
    C --> D[神經網路解 u_θ]
    D --> E[系統辨識: 未知參數 λ]
    D --> F[狀態估計: 軟感測]
    E --> G[MPC / 控制器設計]
    F --> G

9.3.3 在控制系統辨識中的應用#

控制的第一步是辨識（第 4.2 節）。PINN 使「參數辨識」與「狀態估計」同時完成：

參數反演（inverse problem）：把 \(\lambda\) （如阻力係數、反應速率）也當作可訓練變數，與 \(\theta\) 一起優化。論文原始工作即示範了從 Schrödinger 方程的稀疏觀測反演出位能參數。
軟感測（soft sensing）：工業反應器中溫度可測但濃度不可測，PINN 以能量平衡 PDE 為約束，從稀疏溫度資料重建整個溫度-濃度場，等於一個「非線性、帶物理約束的卡爾曼濾波」（呼應第 3.3 節）。
隱式降階模型（ROM）：以 PINN 學出低維潛空間中的 PDE 動態，供 MPC 即時使用。

9.3.4 微分物理與神經網路的互相驅動#

PINN 的出現反過來改變了科學計算社群：經典數值方法（有限元素、有限體積）需要網格劃分，而 PINN 是無網格（meshfree）的，特別適合高維與不規則幾何。這形成一個雙向驅動：

控制 → 學習：控制理論提供邊界條件處理、穩定性概念與閉環約束。
學習 → 控制：PINN 提供了傳統系統辨識無法處理的「PDE 約束分散式參數系統」模型，使流場控制（如翼型氣動優化）可以納入 MPC 框架。

9.3.5 實例：熱管理控制#

半導體封裝的熱管理可建模為瞬態熱傳導方程。傳統做法需 FEM 網格，每次 MPC 迭代要解一次偏微分方程，太慢。改用 PINN：

離線：以少量溫度感測器資料 + 熱傳 PDE 訓練 \(T_\theta(x, t; q)\) ，其中 \(q\) 為晶片功率輸入。
線上：對 \(T_\theta\) 做前向推論即得溫度場預測（毫秒級），MPC 直接以 \(T_\theta\) 為預測模型最佳化功率排程，並以 \(T \le T_{\max}\) 為約束。

這條路線已成為「學習加速的科學機器學習（SciML）」標準範式，Karniadakis 等人在 Physics-informed machine learning（Nature Reviews Physics, 2021）中給出系統綜述。

9.3.7 PINN 與其他三條辨識路線的比較#

路線	先驗	資料需求	外推能力	代表
純神經擬合	無	大	差	MLP 動力學
Neural ODE（9.1）	結構先驗	中	中	伴隨法訓練
世界模型（9.2）	機率潛空間	大	中	RSSM
PINN（本節）	PDE 硬先驗	小	好	殘差損失

可見先驗越強、資料越省、外推越穩，這正是控制工程師對「模型」二字的本能要求。實務中三者可以疊加：以 Neural ODE 結構承載 PINN 殘差損失、再以世界模型的潛空間壓縮觀測，形成「物理約束世界模型」，是當前 SciML 與控制交界的活躍前沿。

9.3.8 限制與改進方向#

訓練困難：多項損失權重難調（後續工作 NTK 權重自適應、因果訓練 causal training）。
譜偏差：MLP 傾向學低頻解，高頻波動學不好（改進：Fourier feature embedding）。
硬約束缺失：殘差懲罰是軟約束，不保證精確滿足——這驅動了「硬約束架構」與 10.4 節 CBF 安全濾波的結合。

9.3.9 實例補充：流場閉環控制#

二維圓柱繞流的減阻控制是 PINN 進入控制的代表性測試床：流場由 Navier-Stokes 方程描述，控制輸入為圓柱表面的吹吸（blowing/suction）。以 PINN 從稀疏 PIV 速度場資料重建整個流場後，對重建模型做線性化與 LQG 設計，即可在小擾動範圍內抑制卡門渦街。相較於每次迭代都求解 CFD，PINN 前向推論快幾個數量級，使「基於流場模型的閉環」第一次在毫秒尺度上可行——這正是 10.3 節 Neural MPC 思想在分散式參數系統上的延伸。

小結#

PINN 把「物理定律 = 先驗知識」編碼進學習目標，是深度模型走向可信賴控制的關鍵一步：辨識更快、外推更穩、且天然支援軟感測。它與 Neural ODE（9.1）、世界模型（9.2）構成深度系統辨識的三條主線。

延伸到下一節#

物理約束解決了「模型可信度」，但現代控制還需要處理多模態觀測與長時序依賴。下一節介紹 Transformer 架構如何在時序控制與多模態決策中成為統一骨幹。

參考連結#

Raissi et al., Physics-informed neural networks: https://arxiv.org/abs/1711.10561 (J. Comput. Phys., 2019)
Karniadakis et al., Physics-informed machine learning: https://www.nature.com/articles/s42254-021-00314-5
Wang et al., Understanding and Mitigating Gradient Pathologies in PINNs: https://arxiv.org/abs/2001.04536