可微分物理

是什么

传统求解器的迭代过程（压力泊松求解、时间推进）对外部是黑箱，梯度只能用有限差分近似 （维度一高就不可行）。可微分物理用可微编程语言（JAX、PyTorch）重写求解器， 让”仿真输出对设计参数”的梯度可以通过自动微分精确获得。

关键要点

• 梯度精度：相比有限差分，AD 梯度精确且维度无关，这对高维设计变量（形状参数、控制序列）是决定性的。
• 两条实现路径：(a) 求解器整体可微（diff-through-solver）；(b) 用隐函数定理只在收敛点求导（不展开迭代图，省内存）。
• 代价：迭代展开的 AD 图内存占用随步数线性增长，长时间推演需要检查点（checkpointing）或伴随方法。
• 典型应用：形状优化、流动控制策略训练、材料参数反演、与神经网络混合建模（neural + physics hybrid）。

常见误区 / 边界

• 可微不等于稳定：展开上百步迭代的梯度容易爆炸/消失，需要隐式微分或截断。
• 混沌/湍流系统的长时梯度本身病态，短窗口推演 + 重规划（receding horizon）更实际。