physics-informed-machine-learning

本文介绍了在小数据约束下物理信息机器学习的方法论贡献，使用了包含155个数据点的磨料水射流铣削数据集。研究表明，数据整理选择、评估设计和物理集成形式非常重要，其中高斯过程变体优于其他模型。

本文提出了一种频移物理信息极限学习机（FS-PIELM）框架，利用加法权重初始化机制克服求解高频偏微分方程时的频谱偏差。该方法在基准问题上相比现有PIELM变体实现了高达五个数量级的改进。

本文扩展了端口-哈密顿神经网络（PHNNs）到偏微分方程（PDEs）中，用于从数据中学习非线性弦动力学。该方法能够同时恢复哈密顿量和耗散，在准确性和可解释性方面优于非物理信息基线方法。