PINN: risolve problemi minori — sigma in config, scale precompilate, closure fuori loop

- config.py: aggiunge GAUSS_SIGMA = 0.02 nella sezione parametri fisici
- model.py: T_char, grad_char, pde_scale diventano costanti di modulo (_T_char,
  _grad_char, _pde_scale) calcolate una sola volta all'import
- engine.py: closure L-BFGS definita una volta sola fuori dal loop

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

engine.py

@@ -117,19 +117,19 @@ def train_model(data, epochs=None, patience=None):
 
     _last = {}
 
-    for step in range(config.LBFGS_STEPS):
-        def closure():
-            lbfgs.zero_grad()
-            loss, L_pde, L_ic, L_bc = heat_pinn_loss(
-                model, data['x_f'], data['t_f'], data['x_ic'], data['t_bc']
-            )
-            loss.backward()
-            _last['loss'] = loss.item()
-            _last['pde']  = L_pde.item()
-            _last['ic']   = L_ic.item()
-            _last['bc']   = L_bc.item()
-            return loss
+    def closure():
+        lbfgs.zero_grad()
+        loss, L_pde, L_ic, L_bc = heat_pinn_loss(
+            model, data['x_f'], data['t_f'], data['x_ic'], data['t_bc']
+        )
+        loss.backward()
+        _last['loss'] = loss.item()
+        _last['pde']  = L_pde.item()
+        _last['ic']   = L_ic.item()
+        _last['bc']   = L_bc.item()
+        return loss
 
+    for step in range(config.LBFGS_STEPS):
         lbfgs.step(closure)
         if _last['loss'] < best_loss:
             best_loss = _last['loss']