标签
本研究系统评估了用于流体动力学的物理信息神经网络技术，表明将周期性激活与因果加权相结合可提高Navier-Stokes涡脱落基准测试的性能，而进一步添加则因非线性交互作用而导致性能下降。
本文介绍了一种无参考工具，用于从单一拟合中检测和区分混合PDE-参数学习中的算子错误设定，并在抛物线反问题上展示了其有效性，同时将其与参数不可识别性区分开来。
本文提出一种基于物理信息的深度学习方法，用于利用不完整放电曲线进行锂离子电池健康状态估计，实现高精度估计并能够实时预测退化趋势。
本文提出了FALM-PINN，一种用于物理信息神经网络的交替Levenberg-Marquardt训练框架，该框架使用傅里叶增强特征来解决谱偏差和表示-系数耦合问题，在高频和非线性偏微分方程上实现了最多低两个数量级的误差。
本文提出了SCORE，一种受自和谐启发的拟牛顿方法，用于训练物理信息神经网络（PINNs）。它使用递减耦合的移位割线几何，在不需要计算Hessian矩阵的情况下，提高了非线性PDE基准测试的最终精度。
This paper introduces GeoID-PINN, a physics-informed neural network for regional epidemic inference that incorporates geographic coupling via a spatial source-composition matrix. It demonstrates that accurate trajectory forecasts do not guarantee correct recovery of regional dependence structures, using simulations and COVID-19 data from Louisiana counties.
本文介绍了一种混合量子-经典框架，通过自适应配置点采样和损失感知注意力机制增强量子物理信息神经网络（QPINNs），用于求解微分方程，在流体动力学和反应-扩散基准测试中取得了显著的精度提升。
This paper introduces feature interaction modules based on factorization machines into physics-informed neural networks and neural operators (FM-PINN, FM-Operator, FM-DeepONet) to better capture spatio-temporal variable couplings for solving parameterized PDEs, showing accuracy gains particularly on shock-dominated equations.
EvoPINN 是一个智能体式框架，将 PINN 开发重新表述为基于执行验证的算法发现问题，利用 LLM 智能体提出程序化修改。它能够自主发现针对 PDE 特化的学习算法，包括一种名为 SLRC-PINN 的新型架构，该架构在多种 PDE 场景中均优于基线方法。
本文逐步追踪了PyTorch的自动微分引擎如何为物理信息神经网络训练计算梯度，包括物理残差和参数梯度所需的两个层次的微分，并使用一个简单的MLP和ODE示例。
本文提出了一种混合解析-PINN模型，用于模拟非均质地下环境中的地热换热器，通过解析修正方法消除奇异性并实现高效的神经网络训练。
本文评估了五种宏观经济预测模型族，发现 ARIMA 和神经常微分方程 (Neural ODE) 等约束较少的模型优于物理信息神经网络 (PINN) 等优先考虑结构约束的模型，表明结构先验在不匹配时可能扮演错误正则化器的角色。
本文提出了一种用于模拟双材料系统中瞬态弹性动力学波传播的物理信息神经网络（PINN）框架，以分离式霍普金森压杆中的钢铝试件为例。该PINN能准确预测波的透射和反射，并通过高保真有限元模拟进行了验证，可作为弹性动力学分析的连续代理模型。
本文作为一项进展中研究，提出将可微物理模型嵌入PPO策略损失函数，以惩罚强化学习中预期的安全违规行为，并在模拟的单自由度直升机系统上进行评估。物理信息软正则化在保持可靠目标跟踪的同时，显著减少了约束违反。
本文介绍了DigiTurbine，一种用于海上风力涡轮机单桩支撑结构监测的合成可靠性感知物理信息神经网络(PINN)基准，它结合了前向和逆向PINN与贝叶斯先验信息识别以及基于FORM的可靠性筛选。
本文识别了物理信息神经网络（PINNs）中一种由容量引起的失效模式，其中过参数化网络发展出功能模块化，阻碍收敛，并提出模块稀疏同步（ModSync）框架，该框架惩罚任务专用连接以保持跨目标交互，并达到最先进的精度。
Korzhinskii-Net是一种二维径向物理信息神经网络，耦合达西流、热传输和反应动力学用于地下矿产前景建模，在五个俄罗斯矿省上优于经典基线方法。
本文诊断了基于梯度反演的Gray-Scott反应扩散系统的损失景观，表明直接反向传播由于平坦平台和陡峭悬崖而失败，而PINN组件（如残差损失）则平滑了景观。这些发现为PINN类方法提供了设计启示。
本文识别了科学机器学习模型中一致的三模态结构，表明优化效果是模态特定的，并可能挑战传统的损失景观解释。它提出了一个模态感知的诊断框架，并在PINN、神经算子以及神经ODE上得到验证。
本文介绍了beignet，一种PINN架构，它用可训练的多分辨率傅里叶特征金字塔替换了随机傅里叶特征，在PDE基准测试上实现了更高的准确性和计算效率。