NOAI 2024 复赛第4题 | 当AI遇上物理：用梯度下降求解微分方程

AI for Science 微分方程

用NOAI复赛真题，构建孩子的AI知识图谱

每个知识点后续都会单独展开讲解，欢迎先关注收藏

这道题在做什么

一个带空气阻力的单摆，传感器记录了摆角随时间变化的数据。但传感器中途坏了若干秒，断档期间有人施加了一个恒力。你要从残缺的数据中，反推出绳长、空气阻力、外力大小等5个物理参数。

这道题和2024年前三道完全不一样——不是训练一个神经网络做预测，而是用PyTorch的自动求导能力，回归一组微分方程的参数。

知识全景

这道题横跨物理和AI两个领域，是AI for Science（AI驱动的科学研究）的典型范例。

① 微分方程

微分方程是用变化率来描述事物变化规律的方程。

一个简单的例子：银行存款。如果利率是5%，存款的增长速度和当前余额成正比——余额越多，增长越快。用数学写就是：

d(余额)/dt = 0.05 × 余额

这就是一个微分方程。它不直接告诉你"明天余额是多少"，而是告诉你"余额怎么变化"。要知道具体数值，需要从一个初始值出发，一步步推算。

这道题的微分方程描述的是单摆运动：

a(t) = -α · ω(t) - β · sin(θ(t))

其中θ是摆角，ω是角速度（θ的变化率），a是角加速度（ω的变化率），α和β是跟绳长、阻力有关的参数。

微分方程是物理学、工程学、生物学、经济学中描述动态系统的基本工具。很多自然现象（流体运动、化学反应、人口增长、疾病传播）都可以用微分方程来描述。

② 阻尼振荡

单摆在没有阻力的理想世界里会永远摆下去。但现实中有空气阻力——每摆一次，能量都会损失一点，振幅逐渐减小，最终停下来。

这种幅度逐渐衰减的振荡叫做阻尼振荡。在数据中的表现是：θ(t)是一个上下波动的曲线，但波峰一次比一次低，波谷一次比一次浅。

这道题更复杂：中间某个时刻施加了一个恒力，改变了运动规律。所以数据的前半段和后半段遵循不同的方程（β值不同）。

理解阻尼振荡的物理图景，是正确分段数据和设计求解策略的前提。

③ 数值微分（差分法）

微分方程里有角速度ω和角加速度a，但传感器只记录了摆角θ。怎么从θ得到ω和a？

用差分法近似计算导数。

导数的定义是"极限意义下的变化率"，但数据是离散的（每隔一小段时间记录一个值），所以用相邻两个点的差值除以时间间隔来近似：

ω(t) ≈ (θ(t+Δt) - θ(t)) / Δt
a(t) ≈ (ω(t+Δt) - ω(t)) / Δt

差分法简单直观，但有一个缺点：对噪声敏感。如果原始数据有一点点抖动，求一次差分会放大抖动，求两次差分（从θ到a）会放大得更厉害。

每求一次差分，数组长度还会减1（n个点变n-1个点）。对齐θ、ω、a的数组长度是一个容易出bug的地方。

④ 参数回归

这道题的"训练"和2024年前三道题不一样。

2024年前三道题：给数据 → 训神经网络 → 预测新数据。模型有很多参数（权重和偏置），学到的是一个通用的输入→输出映射。

这道题：给数据 → 建物理方程 → 回归方程的参数。模型只有几个参数（α、β₁、β₂），学到的是物理规律的具体数值。

具体做法：

• 把α和β定义为PyTorch的可学习参数（nn.Parameter）

• 用方程算出"如果α和β是当前值，a应该是多少"

• 和从数据差分算出来的真实a比较，计算误差（MSE Loss）

• 用梯度下降更新α和β，让误差变小

这种方法叫参数回归——已知方程的形式，用数据来确定方程中未知参数的值。它和训练神经网络用的是同一套工具（损失函数+梯度下降+自动求导），只是目标不同：一个是学复杂映射，一个是定物理常数。

⑤ 自动求导

梯度下降需要计算"损失对每个参数的梯度"。在神经网络中，这个计算由框架（PyTorch）自动完成，叫做自动求导（Automatic Differentiation）。

PyTorch记录了所有计算的过程（构建"计算图"），调用.backward()时，沿着计算图从后往前，逐步计算每个参数的梯度。这就是2024年第1题提到的反向传播。

这道题的精妙之处在于：物理方程也是一种"计算"。α乘以ω、β乘以sin(θ)——这些运算都可以被PyTorch追踪。所以虽然这道题没有神经网络，但PyTorch的自动求导能力一样能用。

PyTorch不只是训练神经网络的工具，它是一个通用的自动求导引擎。任何能写成数学公式的计算，只要涉及可学习参数和损失函数，都可以用PyTorch的梯度下降来优化。

⑥ 数值积分（ODE求解器）

回归出α、β₁、β₂之后，你就"知道"了完整的微分方程。下一步是用方程做预测——比如预测施力后下一次摆角过零的时刻。

微分方程的解析解（精确的数学公式）通常很难求。更实用的方法是数值积分：从一个已知的初始状态出发，一小步一小步地往前推算。

最简单的数值积分方法是欧拉法：

θ(t+Δt) = θ(t) + ω(t) × Δt
ω(t+Δt) = ω(t) + a(t) × Δt

每一步只需要知道当前状态和微分方程，就能算出下一步。步长Δt越小，结果越精确，但计算量越大。

实践中通常使用更精确的方法（如4阶龙格-库塔法），Python的scipy.integrate.odeint就封装了这类算法。输入微分方程、初始条件和时间范围，它就能输出完整的状态曲线。

⑦ AI for Science

这道题代表了AI应用的一个重要方向：用AI的工具解决科学问题。

传统的科学研究方法是：建立物理模型（微分方程）→ 设计实验收集数据 → 用数学方法求解方程参数。这道题用梯度下降代替了传统的数学求解方法——本质上是同一件事，但工具更通用、更灵活。

AI for Science不是"用AI替代科学"，而是把AI当作一个强大的数学工具箱。科学家提供物理知识（方程的形式），AI提供优化能力（从数据中找到最优参数）。两者结合，能解决传统方法难以处理的复杂问题。

这也是NOAI竞赛区别于传统编程竞赛的重要特征：它不只考编程能力，还考把实际问题翻译成数学问题，再用AI工具求解的能力。

这道题把AI的工具箱从"训练神经网络"扩展到了"求解物理方程"。理解"梯度下降是一种通用优化方法"这件事，比学会任何一种具体的模型架构都重要。