物理信息神经网络(PINN)求解一维 Burgers 方程：与谱方法/有限差分的双成本口径对照(高风险高上限)

来源说明：本则出自独立撰写的第二批方案。它与前 20 则同样遵循八块结构与硬门槛要求，但撰写时未做英文文献检索，新颖性边界依据的是历届获奖图谱与既有知识，而非当轮查新。因此其「需核实」条目更多，启动前须自行补一轮英文检索。

选择前提(启动即确认)：学生已具备 PyTorch 基础与偏微分方程数值解初步；明确接受两点——其一，主结论很可能是"CPU 上 PINN 全面劣于传统方法"(负结论有效但不炫)；其二，答辩需用英文讲清自动微分与损失构造，讲不清则整题反噬。满足才启动，否则选 T13/T14。

1 · 研究问题

在纯 CPU 笔记本上,PINN 求解一维粘性 Burgers 方程到给定 L2 误差(相对解析参考解)所需的墙钟时间与自由参数量，相比 Chebyshev 谱方法与二阶有限差分各差多少倍？误差-成本曲线是否存在交叉点(某精度以下 PINN 反而占优)？

2 · 研究背景与空白

PINN(Raissi et al. 2019, J. Comput. Phys.)把 PDE 残差写进神经网络损失，以采样代替网格，近年应用爆发；但对"它到底比传统方法贵多少"的严格核算，文献中相对稀缺且结论分歧，已有批评性工作指出其训练病态(Krishnapriyan et al. 2021, NeurIPS,"failure modes"分析)。一维粘性 Burgers 方程兼具非线性与陡峭梯度，且经 Cole–Hopf 变换存在解析参考解——是做严格误差核算的标准靶。

空白在于评价维度：绝大多数对照要么只报精度不报成本，要么只在 GPU 上核算;纯 CPU、双成本口径(等自由参数量 / 等墙钟时间)、多随机种子散布全报的小规模严格评测，恰好是笔记本学生能做、且对"CPU 用户该不该用 PINN"这一真实问题有用的补缺(相近评测是否已存在，需核实：搜索关键词 "PINN versus spectral method cost accuracy comparison CPU Burgers")。

3 · 可检验假设

• H1：达到 L2 相对误差 10⁻³ 时,PINN 的墙钟成本 ≥ 传统方法的 100 倍(方向:PINN 显著劣势)；等墙钟口径下 PINN 最优可达误差比谱方法差 ≥ 2 个数量级。
• H2:PINN 的误差-成本曲线在低精度端(相对误差 ≥ 5%)与差分法的差距缩小到 10 倍以内——即存在"够用就好"区间；若连该区间都不存在，亦为有效结论。

4 · 量化验收标准

1. 方法学校验(硬门槛)：与解析解极限对照 + 分辨率收敛扫描——差分与谱方法先对 Cole–Hopf 解析参考解验证：差分呈二阶收敛、谱方法呈指数收敛，最细网格 L2 误差 ≤ 10⁻⁴;PINN 复现 Raissi 原文 Burgers 算例的定性解形态且 L2 ≤ 10⁻²。此条不过关，后续全部结论无效。
2. 统计口径预先写死(双成本口径强制)：等自由度(网格点数/谱模数 vs 网络参数量)与等墙钟(同一台断网、插电、固定电源模式的笔记本实测)两种口径都要报;PINN 每配置 ≥ 5 个随机种子，报中位数与全距(训练结果散布大，不许只报最好种子)；墙钟计时重复 3 次取中位数。
3. 配置矩阵:PINN(3 档网络规模 × 3 档采样点数)、差分(5 档网格)、谱(5 档模数)，全部列表。
4. 软件栈锁定并报告(PyTorch 版本、线程数固定、BLAS 后端)，排除多线程漂移。
5. 明确声明：结论限定于"一维 Burgers + 笔记本 CPU + 所试超参"，不得外推到高维/GPU(外推仅作展望并标注为推测)。
6. 可复现性：全部配置文件 + 种子 + 环境文件开源，单配置可 30 分钟内重跑。

5 · 数据与工具

用途	来源 / 工具
PINN	PyTorch(CPU 版,pip 开源)；网络 ≤ 4 层 × 64 宽，单次训练 10⁴–10⁵ 步,CPU 数十分钟/次(Raissi 原文问题规模本就小,CPU 可行)；全矩阵 ≈ 45 次训练 ≈ 1–3 天后台
参考解	Cole–Hopf 变换解析式自写实现(含数值积分的高精度求值,scipy.integrate.quad)
传统方法	numpy 自写二阶差分(Crank–Nicolson 或 RK4)+ Chebyshev 谱(numpy.polynomial 或自写 DCT 求导)，秒-分钟级
文献对照	Raissi et al. 2019 算例设置、Krishnapriyan et al. 2021 失败模式分类,仅用于校验与对比，不计入本项目的数据贡献

6 · 方法路径

1. 实现解析参考解与两种传统求解器，完成收敛性校验(验收 1 前半)。
2. 实现 PINN 基线，复现 Raissi 算例形态(验收 1 后半)。
3. 冻结配置矩阵与计时规程(断网、电源模式、线程数)文档。
4. 生产运行全矩阵(PINN 部分夜间后台)，原始日志落盘。
5. 绘制误差-成本双口径曲线，检验 H1/H2；失败种子按 Krishnapriyan 分类归因。
6. 核实边界:PyTorch CPU 线程数对墙钟的影响曲线(1/2/4/8 线程)，选定并声明。
7. 独立交叉校验：换一个粘度参数(更陡激波)复跑三方法中档配置，确认结论方向不变。

7 · 新颖性边界

• 本课题不提出新网络结构或新训练技巧，不声称"PINN 好/不好"的普适判断;PINN 方法(Raissi 2019)与其失败模式分析(Krishnapriyan 2021)均为已发表工作。
• 已有工作：原始方法论文含 Burgers 算例(报精度、基本不报成本口径)；批评性文献报训练病态;GPU 上的若干评测。
• 本项目贡献(主结论)：纯 CPU、双成本口径、全种子散布的严格小规模评测 + 可复现基准包。属"评价维度的转换"——已有工作评估的是可行性与精度，本项目评估的是消费级 CPU 场景下的成本-精度权衡。
• 价值：对没有 GPU 的学生/教学用户,"该不该用 PINN"缺少诚实的数字；本项目就是给这个数字。H1 的负方向结论(PINN 贵百倍)与正方向(存在够用区间)都成立。
• 核对获奖清单:"PINN-LOCK"(2025 优胜)——用物理约束损失加速密度流模拟，是应用改进路线；本题是严格评测路线，不与其竞争同一贡献，报告中必须点名并把差异写在摘要级。

8 · 决策门槛(go / no-go)

⚠️ 第 6 周末：传统方法校验达标(收敛阶正确)。这部分独立成立，是本题的保底资产。 ⚠️ 第 10 周末:PINN 基线达 L2 ≤ 10⁻²。若反复失败(训练不收敛),立即降级：课题改为"Chebyshev 谱 vs 有限差分 vs Cole–Hopf 解析解的收敛性与成本对照 + PINN 失败模式的记录性附录"——双成本口径评测的主框架完整保留，只是被评测对象从三个减为两个，仍是完整论文(PINN 失败记录本身有参考价值)。 ⚠️ 第 20 周检查点：全矩阵完成率 ≥ 60%，否则砍 PINN 配置矩阵到 2×2。 ⚠️ 预算裁剪顺序：第二粘度参数 → PINN 网络规模档 → 谱方法模数档(最后砍，它最便宜)。

---