标签
引入了一种物理信息自监督学习框架，用于校准和重建Multi-Wire Parallel Plate Avalanche Counters中的位置，仅使用探测器几何结构和电荷约束，消除了对标记数据或专用校准运行的需求。
PhyRestore 引入了一个物理结构化框架，用于恢复土壤流失估算中损坏的物理因子，通过已知物理关系改善时间变化的恢复。
本文提出了一种利用精确多项式不变量对强化学习模拟器和世界模型进行诊断的方法，开发了筛选和归因程序，以定位失效约束并识别故障参数。
本研究提出一种多保真度方法，结合时滞神经网络和物理信息残差学习，通过整合仿真和实验数据来提升铁路转向架响应预测。
SS-eSOAP引入了一种针对物理信息神经网络的自缩放自适应预条件方法，通过减少残差来提高优化性能，并在各种PDE基准测试中实现了比基线方法更高的准确性。
本文研究了物理信息与混合机器学习策略，用于预测熔丝制造中的粘合质量和孔隙率，结果表明即使在实验数据有限的情况下，也能建立精确的模型。
介绍了PI-Splines，一种基于结构化样条的物理信息学习架构，通过可训练的B样条系数对未知场进行参数化，提供了紧支撑、解析导数以及强边界条件施加能力，被证明是基于神经网络方法的有竞争力的替代方案。