标签
本文提出 BeTINH 结构化条件神经求解器，通过多方向时间-参数调制与联合残差路径提升 Heston 随机波动率 PDE 参数化族的求解精度与导数保真度，强调下游敏感度指标需导数感知的评估。
阿姆斯特丹大学的一篇论文提出了在构造上保证调和性的富集全纯神经网络，将从局部几何结构中推导出的可训练奇异函数与仅在边界上进行的拟合相结合，以求解二维和三维拉普拉斯问题。该富集模型的表现优于所有受测方法，在精确捕捉奇异性的情况下，实现了数个数量级的提升。
该论文提出 Gen-PINNs，一种将生成对抗网络与物理信息神经网络结合的确定性残差-对抗框架，用于求解具有尖锐波前和刚性特征的偏微分方程，在 Burgers、Allen-Cahn 和 Kuramoto-Sivashinsky 方程上相较标准 PINNs 显著提升了精度和收敛性。
本文介绍了Staged Depth Training（SDT），这是一种针对Physics-Informed Neural Networks（PINNs）的表征课程，通过显式学习和迁移隐藏表征来提高训练性能。
本文介绍了一个使用Physics-Informed and Knowledge-Informed Neural Networks的Insurance Reserve Intelligence Platform，用于准确高效的定期寿险准备金预测，实现了高精度和比经典求解器快119.53倍的推理速度。
本文评估了一种用于稀疏观测条件下短期大气温度预测的物理信息神经网络，结果表明该模型在特定区域能提升预测性能，但在复杂地形区域存在局限性。
PINNForge 是一个由大型语言模型驱动的进化框架，用于自动化设计求解偏微分方程的物理信息神经网络，通过执行反馈达到最先进的性能。
本文提出了一种自适应物理信息神经网络框架，用于求解Blasius边界层方程。通过自适应损失加权和基于残差的配置方法，实现了高精度并显著降低了壁面剪切误差。
本文介绍了一种分层解耦方法，用于神经网络全连接层的结构化稀疏化。与联合方法相比，该方法提升了鲁棒性并减少了过度剪枝。
本文提出使用图超网络来显式表示偏微分方程（PDEs）中的关系，以分摊物理信息神经网络（PINNs），在求解耦合系统时展现出更高的准确性。
这些讲义笔记介绍了Physics Informed Neural Networks (PINNs)和Neural Operators，涵盖了它们在PyTorch和NVIDIA PhysicsNeMo等开源库中的实现，以及在工程和物理中的应用。
本文识别了物理信息神经网络中的一个故障模式，即在函数值训练过程中导数保真度受损，并提供了强化的基准证据。
Anima Anandkumar 描述了在 Terence Tao 博客上的一篇客座文章，详细介绍了一种使用 Physics-Informed Neural Networks (PINN) 来寻找流体力学中 Euler 方程奇异解的方法，强调了其提前发布和在科学计算中的广泛应用。
提出了一种物理信息图注意力网络作为TCAD模拟的代理模型，通过预测网格节点值并融入载流子输运物理，实现更快的设计空间探索。
本文比较了周期性物理信息神经网络中的傅里叶谱微分与空间自动微分，发现傅里叶方法在不损害准确性的前提下，显著加快了训练速度并减少了内存消耗。
DeSyR是一个解耦符号恢复框架，结合了PINN引导的结构搜索和物理信息系数细化，以准确恢复微分方程的符号解。
本文提出了一种用于物理信息神经网络（PINNs）的基于物理信息的错误场学习（PIEFL）框架，引入辅助错误网络以提高在计算约束下求解部分微分方程（PDEs）的解的精度。
本研究通过提出一种双分支、频谱门控架构（DBSG-PINN），探讨了频率分解对物理信息神经网络（PINNs）的益处。在一维偏微分方程基准测试上的消融实验表明，频率分解在频谱复杂问题上最为有效，可将误差降低高达59.2%。
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。