PINN: normalizza t in forward(), corregge _pde_scale e aumenta patience

- forward(): divide t per T_END prima di passarlo alla rete, evita saturazione
  di Tanh per t∈[0,10] e migliora la sensibilità temporale del modello
- _pde_scale: include il picco gaussiano della sorgente come denominatore;
  con GAUSS_SIGMA=0.01 il picco (~60 °C/s) supera T_char/T_END (15), rendendo
  la loss PDE non normalizzata senza questa correzione
- PATIENCE 100→500, SCHED_PATIENCE 30→150: il training ha ora spazio per
  convergere prima che l'early stopping o lo scheduler blocchino l'ottimizzatore

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

config.py

@@ -34,10 +34,10 @@ N_BC   = 400   # punti condizioni al contorno
 
 # Training Adam
 EPOCHS  = 5000   # epoche massime
-PATIENCE = 100   # early stopping
+PATIENCE = 500   # early stopping
 LR_ADAM  = 1e-3  # learning rate iniziale
 SCHED_FACTOR   = 0.5   # ReduceLROnPlateau: fattore di riduzione
-SCHED_PATIENCE = 30    # ReduceLROnPlateau: patience
+SCHED_PATIENCE = 150   # ReduceLROnPlateau: patience
 SCHED_MIN_LR   = 1e-6  # ReduceLROnPlateau: lr minimo
 
 # Fine-tuning L-BFGS

model.py

@@ -14,16 +14,18 @@ class HeatPINN(nn.Module):
         self.net = nn.Sequential(*layers)
 
     def forward(self, xt):
-        # Output scaled to physical range: T_AMB + (Q*L/K) * net
-        # net learns dimensionless perturbation; inputs x∈[0,L], t∈[0,T_END] passed as-is
-        # so Tanh activations see t values up to T_END, providing implicit regularization
-        return config.T_AMB + (config.Q_VAL * config.L / config.K) * self.net(xt)
+        # Normalize t to [0,1] to avoid Tanh saturation for large t values (up to T_END)
+        x = xt[:, :1]
+        t = xt[:, 1:] / config.T_END
+        return config.T_AMB + (config.Q_VAL * config.L / config.K) * self.net(torch.cat([x, t], dim=1))
 
 
 # Precomputed loss scales (depend only on config constants)
 _T_char    = config.Q_VAL * config.L / config.K   # ~150 °C — temperature scale
 _grad_char = (config.Q_VAL / config.K) ** 2        # ~22500  — gradient scale²
-_pde_scale = (_T_char / config.T_END) ** 2 + 1e-8
+# _pde_scale covers both dT/dt and the Gaussian source peak (dominant with small sigma)
+_src_peak  = config.ALPHA * config.Q_VAL / (config.K * config.GAUSS_SIGMA * (2 * 3.141592653589793) ** 0.5)
+_pde_scale = max((_T_char / config.T_END) ** 2, _src_peak ** 2) + 1e-8
 
 
 def heat_pinn_loss(model, x_f, t_f, x_ic, t_bc,