标签
本文提出了一种用于金属增材制造中PINN的领域自适应采样框架，利用条件Flow Matching模型对高残差配点区域进行定向采样，在相同配点预算下，相对L2误差相较最先进基线平均降低62.1%。
论文提出了 ORACLE，一种基于优化器的相对约束学习方法，通过评估约束与优化后更新量之间的兼容性，而非直接在目标函数或梯度层面评估。在八个偏微分方程基准上的实验表明，ORACLE 在 94% 的配置中优于原生优化器。
本文提出一种物理信息驱动的世界模型，通过固定的可逆算子，以习得能量的梯度来生成动力学，具备单向能量耗散与结构化的参数干预能力。在电磁、粒子网格（Particle-in-Cell）与浅水波系统上，约 9 千参数的模型实现了稳定的 100 倍时域外推，给出正确的反事实响应，并在未提供干预映射时能够拒绝进行分布外预测，性能远超同等容量的非结构化基线模型。
该 arXiv 论文指出，'几何—物理混淆'是跨不同域学习偏微分方程（PDE）时一种统一的失效机制，并提出了一种去混淆框架。该框架利用几何诱导的系数场和几何完备的候选函数库，显著提升了算子学习和方程发现的精度。
该arXiv论文由单人作者提出了一种用于水平集界面输运的无数据物理信息神经算子，仅基于输运残差和几何约束进行训练，无需任何参考解。在面积守恒方面，其表现优于有监督基线方法，同时量化了拒绝使用标签数据所付出的精度代价。
KernelOnet 提出了一种可解释的神经算子框架，用核函数显式替代干网络（trunk network），提供数据驱动、物理信息以及混合核策略，用于求解偏微分方程，在精度更高、参数更少的情况下优于 DeepONet。
本文介绍了Transformer-Mamba for Flow Field (TM4FF)框架，这是一种受物理约束的算子学习模型，通过Residual Wavelet Mamba和physics-informed loss等创新，提升了计算流体动力学模拟的准确性和鲁棒性。
本文提出了一种物理信息循环神经网络（PIRNN），通过预测不可观测的物理变量来改进物理过程的时间序列预测，并以地下水位预测为例进行演示。
Drift Field Net (DFN) 是一种深度神经网络，从卫星观测预测海洋表面流场，采用两阶段训练策略以提高粒子轨迹精度。与业务模型相比，在7天预测中，它将定位误差减少了20公里，并通过拉格朗日微调获得进一步增益。
本文介绍了物理信息一致预测 (PI-CP)，该框架将PDE残差嵌入到一致预测中，为傅里叶神经算子 (FNO) 等神经算子提供无分布、空间自适应的不确定性量化。
本文引入了基本动力学单元（FDUs）作为可组合的基元，用于网络动力学系统中的物理信息结构推断，利用神经常微分方程（ODEs）从扰动时间序列数据中恢复交互结构。
GenONet是一种新颖的深度学习架构，它在生成对抗网络框架内使用深度算子网络进行高分辨率降水临近预报，能够生成清晰且物理一致的预测。
本文介绍了一种物理集成的算子学习框架，使用前馈高斯溅射表示来直接纳入PDE算子，减少时空系统长期自回归预测中的误差。
一种使用傅里叶神经算子变体的新型人工智能模型，使密度泛函理论能够近乎线性地随系统规模扩展，从而允许在单个GPU上高效模拟大型量子系统，例如具有8万电子的镁位错。
PhysCaP 是一个基于物理信息的代码生成代理，它通过主动探索物体来推断隐藏的物理属性，以实现高效的机器人操作。
PIKFNO是一个新的可解释神经算子框架，它整合了来自控制方程的物理信息核函数，以在有限训练数据下提升预测准确性和可解释性。
PhysAttNet 是一种物理信息注意力框架，通过领域引导的正则化增强轻量级 CNN 预测器，以提高工业与天体物理时间序列预测的准确性和泛化能力。
本预印本提出了PI-HNO，一种用于电力磁性元件瞬态磁化预测的物理信息混合神经算子，在每种材料模型仅使用4,777个可训练参数的情况下，实现了较低的B-H能量一致性误差。
本文在嵌入式RISC-V平台上评估了Kolmogorov–Arnold网络（KAN）与MLP作为硬约束循环物理信息网络中残差分支的性能，发现KAN运行更慢、能耗更高，且在INT8量化下可靠性较低。