Automatische differentiatie vanaf nul: hoe PyTorch gradiënten berekent in fysica-geïnformeerde neurale netwerken

Dit artikel traceert, met expliciete numerieke waarden, hoe PyTorch' automatische differentiatie-engine gradiënten berekent voor het trainen van Physics-Informed Neural Networks (PINN) — een setting die twee differentiatieniveaus vereist: het berekenen van de fysica-afgeleide ŷ'(t)=dŷ/dt door het netwerk, en het berekenen van parametergradiënten ∇θL van een verliesfunctie die zelf afhankelijk is van ŷ'(t).