摘要：PINA 0.3.2 将 Agent Skills 接入 Problem、Domain、Equation、Condition、Model、Solver 和 Trainer 工作流，帮助用户按正确顺序搭建科学机器学习实验，但物理建模、可辨识性、训练稳定性与工程验证仍需专家负责。
项目：PINA-org/PINA
方向：PINN、神经算子、图网络、时序模型、科学机器学习 Agent
适合读者：工业仿真团队、物理 AI 研发人员、算法工程师、工业软件平台团队
摘要
物理信息神经网络的概念很容易理解：把偏微分方程、边界条件、初始条件和观测数据写进损失函数，让神经网络在训练过程中同时满足数据与物理约束。进入实现阶段后，问题迅速变多：选哪种 Problem 类型，怎样定义空间与时间域，方程残差如何求导，条件怎样绑定到域，模型用普通 MLP、FNO、DeepONet 还是图网络，训练要不要因果加权、残差注意力或自适应权重，最后如何判断模型确实学到了物理规律。
PINA 是一个建立在 PyTorch、PyTorch Lightning 和 PyTorch Geometric 之上的科学机器学习框架，覆盖 PINN、神经算子、数据驱动模型和图时序条件。0.3 系列对内部架构进行了较大调整，采用更可组合的 mixin 结构，并加入自回归、多模型、时间序列与图时间序列等能力。0.3.2 又增加了一组 Agent Skills，引导用户完成问题定义、域、方程、条件、模型、求解器和训练器配置。
这意味着 Agent 开始进入科学计算工具链的“建模配置层”。它可以帮助用户沿着正确顺序搭建代码、减少 API 误用、解释模型和求解器选择，却不能替代物理建模、数值分析和实验验证。理解这条边界，是判断 Agentic SciML 能否进入工业仿真的关键。
一、PINN 的门槛主要来自流程耦合
一个最简单的 PINN 可能只有几十行代码，但工业问题往往同时包含空间、时间、参数、未知物理量、观测数据和多个边界区域。每增加一种条件，训练和验证难度都会上升。
以设备热场为例，模型输入可能是空间坐标 (x, y, z)、时间 t、环境温度、功率和材料参数，输出是温度场。物理约束来自热传导方程，边界条件包含对流、固定温度和热流，初始条件给出启动温度，传感器数据又只覆盖少数位置。若还要反演导热系数或换热系数，问题会变成逆问题。
在这种任务中，代码错误和物理错误常常混在一起。域没有正确离散、变量标签错位、边界条件绑错区域、自动微分维度不对、损失权重失衡，都可能造成训练失败。即使损失下降，也不代表结果满足守恒或具有外推能力。
PINA 试图通过标准抽象把这些因素拆开。用户依次定义 Problem、Domain、Equation、Condition、Model、Solver 和 Trainer。每一层有明确职责，便于替换和测试。
二、PINA 的核心抽象
1. Problem：描述问题属于哪一类
PINA 提供多种问题基类：
BaseProblem：监督或无监督的数据驱动任务；SpatialProblem：只依赖空间坐标的 ODE/PDE；TimeDependentProblem：包含时间维；ParametricProblem：包含变化参数；InverseProblem：包含待识别物理参数。
这些基类可以多重继承。时空 PDE 可以组合 SpatialProblem 和 TimeDependentProblem，带未知参数的热传导可以再加入 InverseProblem。
Problem 定义输入输出变量、空间域、时间域、参数域和条件。它相当于科学机器学习任务的总契约，后续模型的输入输出维度、Solver 可用范围和 Trainer 数据都从这里派生。
2. Domain：管理物理区域与采样
域可以是连续空间、时间区间、参数区间或它们的组合。内部域、边界、初始时刻和观测点通常分别建立命名 Domain。随后通过网格、随机或其他方式离散为训练点。
PINN 对采样非常敏感。均匀采样可能忽略边界层和局部高梯度区域，随机采样又可能导致训练波动。Agent 可以提醒用户完成域定义和离散，却无法仅凭 API 自动确定最优采样策略。工业应用往往需要根据物理特征做自适应采样或残差驱动加密。
3. Equation 与 Condition：把物理和数据绑到具体区域
Equation 使用 PyTorch 自动微分计算网络输出对输入的导数，形成 PDE 或 ODE 残差。Condition 将方程、固定值、观测目标等绑定到某个 Domain 或输入数据。
例如热传导内部域绑定能量方程，外表面绑定对流边界，热源面绑定热流，初始域绑定初始温度，传感器点绑定目标数据。Solver 根据不同 Condition 计算对应损失，再进行聚合。
0.3 版本把条件评估逻辑进一步放回 Condition 自身，降低训练循环与问题逻辑的耦合。这有利于添加新条件类型，也为 Agent 逐步构建任务提供了稳定接口。
4. Model：从 MLP 扩展到神经算子和图模型
PINA 的模型选择覆盖普通前馈网络、残差网络、PirateNet、KAN、DeepONet、MIONet、FNO、图神经算子和多种消息传递模块。用户也可以直接传入 PyTorch nn.Module。
模型选择应由数据几何和任务决定：
- 坐标到场值的点对点映射，可先用 MLP；
- 多尺度或高频解，可加入 Fourier Feature Embedding 或采用更适合的网络；
- 规则网格上的函数到函数映射，适合 FNO；
- 传感器输入到完整场，适合 DeepONet 或 MIONet；
- 不规则网格、点云和网络结构，可考虑图网络或 GNO；
- 数据量有限且希望参数效率，可以实验 KAN，但仍需严格基准对比。
PINA 的 Agent Skill 特别强调先识别输入输出维度、数据结构和任务类型，再做推荐。这比根据方程名称直接选择网络更合理。
5. Solver：决定如何计算和优化损失
PINA 0.3 的 Solver 架构围绕条件类型和模型数量组织。
纯输入—目标条件可使用监督单模型或深度集成 Solver；时序条件使用自回归 Solver；方程条件进入 Physics-Informed Solver。物理信息单模型又可进一步选择：
- 标准 PINN；
- 梯度增强 PINN；
- 因果 PINN；
- 残差注意力 PINN；
- 自适应权重 PINN；
- 竞争式或对抗式 PINN。
不同 Solver 并非简单的“高级版本”。因果加权适合时间演化，残差注意力用于聚焦难点区域，梯度增强会增加计算开销，自适应和竞争式方法还涉及多个优化器。选择错误可能比使用普通 PINN 更差。
6. Trainer：统一训练设备与过程
Trainer 基于 PyTorch Lightning，负责 epoch、设备、多卡、日志和训练控制。PINA 的 Agent 工作流要求在配置 Trainer 前确认所有物理域已经离散，避免训练开始后才发现条件没有数据。
三、Mixin 架构为何重要
0.3 系列将许多 Solver 行为拆成单一职责的 mixin，例如 PhysicsInformed、GradientEnhanced、ResidualBasedAttention、Autoregressive、ManualOptimization 和 ConditionAggregator。
这种设计的意义在于，科学机器学习的训练方法往往是组合式的。研究人员可能希望把因果权重与集成结合，把梯度增强与特殊损失结合，或设计多个模型交替训练。单一巨型 Solver 类很快会出现大量分支。
Mixin 允许从基础的单模型、多模型或集成 Solver 出发，组合必要行为，只覆盖 _compute_condition_loss 或 training_step 等少数方法。对框架开发者而言，这提高了扩展性；对 Agent 而言，组合规则可以被写进 Skill，模型按照条件类型和训练需求选择组件。
不过，Python 多重继承和方法解析顺序也会带来复杂性。自定义 Solver 需要理解 mixin 顺序、自动或手动优化、多个优化器和状态管理。Agent 生成的组合必须经过单元测试、梯度检查和小样例验证。
四、PINA 的 Agent Skills 实际做了什么
0.3.2 增加的 Agentic PINA 定位为科学机器学习工作流助手。仓库提供了一组面向 opencode、Codex 和 Claude 的技能文件，并未承诺自动求解所有 PDE。
入口 pina-workflow 把流程划分为：
1 | 问题定义 |
每一阶段都有独立 Skill 和检查清单。入口 Skill 要求在进入下一阶段前读取对应文件、完成当前对象并确认条件。Problem Skill 根据数据驱动或物理驱动选择基类；Model Skill根据输入输出、网格、图和序列结构推荐架构；Solver Skill 检查 Condition 类型，再选择监督、自回归或物理信息 Solver；Trainer Skill 最后处理训练参数。
这类 Agent 的首要价值是降低“框架使用错误”。它能够防止用户忘记离散域、把时序条件交给不兼容 Solver、猜错输入输出维度，或在已有 Problem 对象时重复定义。
第二个价值是把专家经验写成可更新规则。模型和 Solver 的选择依据被整理为机器可以逐步执行的技能，减少了对文档检索和个人记忆的依赖。
第三个价值是生成可审查代码。相比黑盒自动建模，Skill 引导用户得到标准 Python 对象和脚本，研究人员可以继续修改、测试和版本管理。
它的边界也很清楚。Agent 不知道企业设备的真实物理条件，不会自动判断 PDE 是否缺项，也不能保证边界条件、材料参数和观测数据正确。它帮助用户“按框架正确表达问题”，物理问题本身仍需专家负责。
五、一个工业热场逆问题示例
假设希望根据电机壳体少量温度传感器，识别等效换热系数，并建立启动阶段温度场代理模型。
1. 定义问题
输入为 (x, y, z, t, power)，输出为温度 T。问题同时继承空间、时间、参数或逆问题基类。未知参数可以是对流换热系数 h，也可以加入等效导热系数。
2. 定义方程与条件
内部域满足瞬态热传导方程：
1 | ρ c ∂T/∂t - ∇·(k∇T) - q = 0 |
外表面满足对流边界：
1 | -k ∂T/∂n = h(T - T_ambient) |
初始域给出启动温度，传感器位置加入数据条件。若几何过于复杂，可以先在简化域或有限元采样点上实验。
3. 选择模型
坐标到温度的基线可采用带 Fourier 特征的 MLP。若要对多种功率曲线和边界参数学习整个算子，可考虑 DeepONet 或 FNO；若数据来自不规则有限元网格，可实验图神经算子。
4. 选择 Solver
标准 PINN 可作为第一基线。时间演化明显时可以比较 Causal PINN；局部热源附近残差集中时可比较残差注意力；逆参数识别需要同时关注物理残差、传感器误差和参数可辨识性。
5. 验证
训练损失只是第一层。还需要检查：
- 未参与训练的传感器误差；
- 不同功率与环境温度下的外推；
- 能量守恒和边界热流；
- 识别参数的置信区间与多初值稳定性；
- 与有限元或实验数据的对照；
- 网络预测速度和硬件占用。
这个例子说明 Agent 可以自动搭建大量样板代码，但建模取舍和验证标准仍来自热学、数值计算和试验专家。
六、PINA 应怎样与传统 CAE 配合
PINN 和神经算子更适合作为传统求解器的补充。
一种常见路线是先使用高保真 FEA/CFD 生成不同参数和工况下的数据，再用 PINA 训练代理模型。物理残差用于约束稀疏区域，观测数据用于校准模型偏差。部署时代理模型快速给出场预测，超出训练分布或物理残差升高时回退到传统求解器。
第二条路线是逆问题。传统仿真提供前向模型，PINA 将少量传感器和物理方程结合，识别边界参数、材料参数或隐藏源项。识别结果再回写 CAE 进行确认。
第三条路线是数字孪生。在线传感器更新模型状态，PINA 提供快速预测，设备运维智能体读取预测、残差和不确定性，决定是否触发高保真仿真或工单。这里可以与 AssetOpsBench 式的工具和评测框架结合。
在任何路线中，必须保存数据来源、求解器版本、网格、参数空间、训练配置、随机种子、模型权重和验证报告。科学机器学习若缺少这些工件，很难进入工程审计。
七、PINN 的已知困难不会因 Agent 消失
1. 多尺度、刚性和高频问题难训练
普通 MLP 存在频谱偏置，容易先学习低频部分。边界层、冲击、湍流和刚性系统需要更合适的网络、采样、归一化和优化策略。
2. 多项损失难平衡
PDE、边界、初值和数据损失的量纲与梯度大小不同。固定权重可能让某一项主导，自适应权重也可能引入不稳定。需要监控每项残差、梯度和物理量。
3. 逆问题存在不可辨识性
有限传感器可能不足以同时识别多个参数。模型可以得到较低损失，却对应多组等价参数。需要敏感性分析、先验、实验设计和不确定性估计。
4. 复杂几何和边界处理仍困难
工业零件的多材料、接触、移动边界和复杂拓扑很难只靠坐标采样表达。将有限元网格、图网络、域分解和神经算子结合，往往比直接套用标准 PINN 更现实。
5. 物理残差低不代表工程可靠
方程可能不完整，参数可能错误，边界条件可能与现场不符。模型满足了输入的物理，却不一定符合真实设备。必须保留实验或高保真仿真验证。
Agent 可以减少 API 配置错误，却可能把错误物理表达得更加完整。因此，Agentic SciML 系统应把方程、单位、边界、参数和验证项都列为显式工件，并设置专家审查。
八、建议的本地试验路线
对希望快速评估 PINA 的团队，可以从一维或二维热传导、Burgers 方程或悬臂梁代理模型开始。
第一阶段只用普通 FeedForward 与标准 Physics-Informed Solver，建立可重复基线。固定随机种子，保存采样点、损失曲线和误差图。
第二阶段逐项比较 Fourier 特征、因果 Solver、残差注意力或自适应权重，每次只改变一个因素。观察精度、训练时间和稳定性，而不是只看最好一次结果。
第三阶段加入少量噪声传感器数据，测试数据—物理混合训练与逆参数识别。用多初值和不同噪声水平评估参数稳定性。
第四阶段接入企业真实小任务，例如规则几何的温度场、梁结构位移场或设备时序预测。传统求解器继续作为基准和回退路径。
第五阶段再引入 Agent Skills，比较人工配置与 Agent 配置的耗时、错误率和可复现性。评测目标应是“是否正确搭建并验证实验”，不能只统计代码生成速度。
九、结语
PINA 0.3.2 把 Agent Skills 接入科学机器学习工作流，是一个很有代表性的变化。科学计算框架开始把 Problem、Domain、Equation、Condition、Model、Solver 和 Trainer 的使用经验写成可执行流程，用户可以通过对话完成标准化配置。
这会降低入门门槛，也有利于企业沉淀物理建模模板。但科学机器学习的核心难题仍在：物理是否正确、数据是否可信、问题是否可辨识、训练是否稳定、结果是否经过独立验证。Agent 适合做流程导航、代码搭建、实验编排和证据整理，工程结论仍应由模型、数值、试验和领域专家共同确认。
对工业智能团队而言，PINA 最值得尝试的定位是“可编程物理 AI 实验底座”。结合传统 CAE、高质量数据集、传感器和 Agent 评测，它可以成为设计仿真软件、数字孪生和工业智能体中的一层新能力。