一个直觉为什么对，又为什么还不够
读偏微分方程数值计算的人，容易从 PINN 想到有限差分，从 Deep Ritz 想到有限元：前者在点上检查方程，后者从积分或变分问题出发。这个类比抓住了强形式残差与变分形式的分界，局限也很明确：它把“方程怎样写成训练目标”与“导数怎样离散、解怎样表示”混在了一起。经典 PINN 通常用自动微分计算网络的导数；Deep Ritz 通常用神经网络表示整个试探函数。它们分别没有采用有限差分的网格差分模板和标准有限元的分片多项式基函数。[1][2]
为避免术语混用，下面让四种方法解同一个方程，并写出各自真正计算的对象。
同一条 Poisson 方程，四种计算方式
取区间 Ω=(0,1)，求解
例如令 $f(x)=\pi^2\sin(\pi x)$，真解是 $u(x)=\sin(\pi x)$。这个例子可直接检查边界、残差与误差，而不依赖某个模型的演示结果。
**有限差分（FDM）**先选网格点 $x_i=ih$，把导数换成差分模板：
未知量是节点上的 $u_i$，解一个离散代数方程组。这里的“有限差分”说的是用网格函数值逼近导数。它并不等同于所有在点上施加方程的办法。
经典强形式 PINN设 $u_\theta(x)$ 为可微神经网络，在内部配点 $x_i$ 和边界配点 $y_j$ 上优化：
一维例子的边界配点只需覆盖 0、1；高维时要在边界采样。网络的二阶导数通常由自动微分从计算图求出，并非把 $u_\theta(x_{i-1}),u_\theta(x_i),u_\theta(x_{i+1})$ 填入上述差分模板。自动微分避免了这一环节的有限差分截断误差，但仍有浮点误差、有限采样误差、优化误差和网络近似误差。有限个配点上的残差很小，也不足以单独保证域内处处准确。[1]
**标准有限元（FEM）**从弱形式出发：找 $u\in H^1_0(0,1)$，使对所有 $v\in H^1_0(0,1)$ 有
随后选择有限维试探空间，例如网格上的分片线性函数，并用其基函数作测试函数，形成刚度矩阵。分部积分降低了对未知函数的导数要求：原方程逐点计算 $u’'$，弱形式只要求一阶弱导数。对这个对称 Poisson 问题，有限元求出的 $u_h$ 同时是该有限维空间里能量 $J$ 的极小元。积分、网格和基函数选择都要具体落实。“弱形式”是有限元常用的数学入口，但有限元不止一种形式；带对流等非对称算子的弱形式通常没有下文这样简单的最小化能量。
Deep Ritz在上述对称 Poisson 问题上最小化能量：
把试探函数写成满足边界的 $v_\theta$，例如本例取 $v_\theta(x)=x(1-x)N_\theta(x)$，再用采样或数值积分估计 $J(v_\theta)$ 并训练参数。令 $w$ 为任意边界取零的扰动，沿 $v+\varepsilon w$ 求 $J$ 的一阶导数，得到 $\int v’w’=\int fw$：它正是前面的弱形式。更进一步，若 $u$ 是该问题的精确弱解、$v$ 满足同一零边界条件，则有
这个恒等式说明能量差直接控制梯度误差；前提是比较的函数确实满足相同的 Dirichlet 边界。鄂维南、余炳论文的 Poisson 算例也使用过边界罚项。若改用有限权重的边界惩罚，优化的是带惩罚的近似问题，必须另行检查边界误差；不能把软约束直接说成精确满足 Dirichlet 条件。[2]
类比准确到哪里
| 比较项 | 经典强形式 PINN | Deep Ritz | 传统数值法中的近亲 |
|---|---|---|---|
| 训练目标 | 配点上的微分方程残差 | 域内积分定义的能量 | 前者接近强形式配点；后者接近变分 Ritz 思路 |
| 上例对网络的空间导数要求 | 需要二阶导数 | 能量中需要一阶导数 | 要求随具体方程、所选形式而变 |
| 解的表示 | 参数化神经网络 | 参数化神经网络 | FDM 是节点值；典型 FEM 是有限维分片基函数 |
| 积分、采样 | 内部及边界配点 | 能量积分的数值估计及边界处理 | 两者都可能有采样、数值积分误差 |
| 典型用途 | 正问题及加入观测的参数反演 | 有自然变分结构的正问题 | 应按方程和数据选择，不能只按名称选 |
简言之，这里的 PINN 采用强形式残差，Deep Ritz 从能量泛函出发。有限差分和有限元有助于理解这两条路线，但不足以替它们命名。
还要注意，Deep Ritz 所用的“能量最小化”比一般的“弱形式”要求更具体。Poisson 方程在恰当边界条件下有对称、正定的能量结构；不少带对流、非对称算子或时间演化的方程不能直接套用这条 $J(v)$。另一方面，PINN 也可以写成变分形式：Kharazmi、Zhang、Karniadakis 提出的 VPINN 就把变分残差放进神经网络的损失函数。[3] 因此，“PINN”与“弱形式”并不互斥；这里比较的是有明确论文对应的两个具体版本。
两个目标在理想极限一致，训练过程却不同
对同一个充分光滑、满足边界的精确解，方程残差为零，Poisson 能量也达到最小。但 PINN 最小化的是残差平方，Deep Ritz 最小化的是原方程的能量。在线性算子 $A$ 的抽象写法下，前者形如 $|Au-f|^2$，后者对应对称正定算子的二次型 $\tfrac12\langle u,Au\rangle-\langle f,u\rangle$；两者对不同误差频率的惩罚不同。数值训练还加入有限配点、数值积分、边界权重和非凸网络参数化。比较优化速度时，应让网络规模、精度指标和预算可比，不能拿一条损失曲线的下降速度直接判胜负。
网络激活函数也是具体约束。若把分片线性的 ReLU 网络直接放进上述二阶强残差，网络关于空间坐标的二阶导数在几乎处处为零，仅在折点有更复杂的弱导数行为；逐点计算的损失可能掩盖真实误差。可用足够光滑的网络或改写训练形式。Deep Ritz 的 Poisson 能量使用一阶导数，对函数空间的要求较低，但低阶导数本身并不保证网络训练稳定。
工程选择：比较离散误差，也比较训练误差
同样求出一个看似平滑的解，并不能说明哪条路线更好。强形式 PINN 在本例需要网络二阶导数，训练成本和残差权重、配点分布有关；解若不够光滑、系数出现界面，逐点残差也可能不合适。Deep Ritz 可以把导数阶数降到一阶，但前提是问题确有可用的变分结构；积分估计、边界惩罚与非凸训练仍需检查。两者在连续、无限容量并且充分优化的理想表述下可以指向同一方程的解，有限采样和实际训练结果却不自动相同。
对低维、规则区域的标准正问题，成熟的有限差分或有限元通常是可靠基准，不能预设神经网络方法在精度、速度上胜出。有稀疏观测、待反演参数、复杂高维参数化或需要在多组条件下重复查询时，神经网络方法可能更值得评估；优势依然需要同一误差标准、总计算成本和独立测试点来证明。比较实验至少记录边界误差、内部相对误差、残差的域外推表现、训练与推理时间，以及传统方法采用的网格和容差。
若要做一个可复现实验，可以在这条一维 Poisson 方程上先固定真解与误差口径。FDM 报告网格间距和差分模板；FEM 报告单元阶数、网格数与线性求解容差；PINN、Deep Ritz 报告网络、激活函数、配点或积分样本、边界处理、优化器和随机种子。用独立于训练样本的密集测试网格比较相对 $L^2$ 误差、边界误差，并检查能量或梯度误差；同时计入训练、组装、求解与多次查询的总时间。没有这些条件，“无网格”与“更高精度”只是无法复核的口号。
特别要看预测场在少量高频变化处的表现。某个模型可能在训练点上残差很低，却未重现峰谷间的曲率；另一个模型的能量接近最优，点值误差却不一定与前者按相同顺序改善。检查位置与误差范数必须先确定，结果才能用于工程选型。反问题通常还要单独报告参数识别误差及对观测噪声的敏感性，不能只给正问题的场误差。
把这两项工作分别叫作“神经网络版有限差分”和“神经网络版有限元”，适合口头介绍。进入论文或工程方案，就应交代目标函数、求导与积分方式、未知函数的表示。这些选择连同边界条件，决定了方法能否用于手头的方程。
参考文献
[1] M. Raissi, P. Perdikaris, G. E. Karniadakis, Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations, Journal of Computational Physics 378 (2019), 686–707. DOI: 10.1016/j.jcp.2018.10.045；相关作者预印本：arXiv:1711.10561。
[2] W. E, B. Yu, The Deep Ritz Method: A Deep Learning-Based Numerical Algorithm for Solving Variational Problems, Communications in Mathematics and Statistics 6 (2018), 1–12. DOI: 10.1007/s40304-018-0127-z；预印本。
[3] E. Kharazmi, Z. Zhang, G. E. Karniadakis, Variational Physics-Informed Neural Networks for Solving Partial Differential Equations, arXiv:1912.00873。