标签
本文介绍了PiDDM，一种物理信息可微退化建模框架，将电池退化动力学嵌入神经网络训练中，以提高锂离子电池健康状态预测的准确性和在不同循环协议下的物理一致性。
本文介绍了 FatigueCV，一个物理信息深度学习框架，可在65毫秒内从光学显微图像预测钢材疲劳寿命，使用带不确定性估计的CNN。在合成显微图像上的验证显示出强劲性能（R²=0.93），但现实世界验证被列为未来工作。
LithoFormer是一个基于Seq2Seq Transformer的框架，用于从测井数据中进行地层推断。它采用PatchTST主干网络，结合旋转位置编码和多任务头，共同预测地质分带和边界，实现了边界误差降低90%，并消除了地层顺序违反。
OrbitAll是一种分子基础模型，利用基于物理的轨道特征和SE(3)-等变图神经网络来预测分子性质，以少35倍的训练数据和50倍小的模型大小超越了像UMA这样的大型模型。
介绍了 latent PDE mapping，一种物理信息学习技术，通过将 PDE 残差拉回到潜在几何结构，实现稀疏训练数据下的高效几何泛化。在心脏电生理 PDE 基准测试中，仅使用 15 个训练样本即展示了显著误差降低。
本文提出了一种新颖的零样本数字孪生框架，该框架将实时视觉感知与几何无关、物理驱动的图神经网络相结合。该方法采用热力学驱动的图神经网络，强制执行能量守恒和熵产生，从而无需重新训练即可在未见过的几何体上实现物理准确的模拟。
本文提出ChemHyperMag，一种物理启发的磁性超图学习方法，用于多任务ADMET预测。该方法利用官能团超图和厄米磁性拉普拉斯算子捕捉非对称相互作用和方向信号，在更少标注样本下提高预测精度。
本文提出了一种神经控制微分方程（Neural CDE）框架，用于学习构网型逆变器的连续时间替代模型以进行EMT仿真，该框架结合了双慢/快路径和物理启发式正则化，以捕捉多时间尺度动态。
本文提出洛伦兹编码（LE），一种基于物理信息的框架，利用隐式神经表示和物理约束，从稀疏采样数据重建高分辨率CEST MRI，性能优于现有方法。
介绍UniWind，一种用于日前风电预测的物理信息机器学习模型，它结合物理先验估计与潜在状态编码，处理停机、限电等运行状态，在多个真实数据集上实现了鲁棒性能。
一篇博客文章，通过微分几何解释哈密顿神经网络，使用简单的质量-弹簧系统演示如何通过网络架构施加守恒定律以实现更高效的学习。作者从基础微积分开始逐步构建了辛流形和泊松括号等数学工具。
本文提出了一种基于物理信息的条件归一化流模型，用于地月环境中的仅角度轨道确定，实现了灵活的后验表示，并为经典算法提供了热启动。
LithoDreamer是首个用于计算光刻的物理信息世界模型框架，将多阶段光刻过程建模为决策驱动系统。它在半导体制造的正向演化和逆向规划中实现了最先进的性能。
TRIDENT是一种新颖的多智能体强化学习框架，打破了混合离散-连续动作、硬安全约束和物理支配动力学之间的耦合，实现了可证明安全的协调，保证了收敛到约束纳什均衡，并显著减少了训练期间的违规行为。
本文提出了一种混合NARX-LLM框架用于预测格陵兰冰山排放，采用物理知识提示方法引导大语言模型进行残差校正，相比传统NARX模型提高了预测精度。
Physics-conforming Latent Twins 是一种用于学习潜在替代解算子的框架，通过约束转移方法和保持结构的潜在动力学，在设计中强制执行物理原理（如守恒定律和耗散不等式）。
SwiftCTS是一个物理信息代理框架，利用梯度提升集成和少样本校准，快速预测并帕累托优化未见设计上的时钟树指标（功耗、线长、时钟偏移），以极少的训练数据实现高精度。
本文认为，用于半导体制造的生成式人工智能必须通过构造方式强制执行硬物理约束，而非事后过滤，并综述了如物理信息扩散和神经算子先验等架构方法以实现物理保真度。
提出了一种哈密顿Transformer，一种物理信息注意力机制，通过强制保范数值动力学用于射频发射器指纹识别，在同一天条件下达到99.12%的准确率，在150个发射器时达到61.64%，优于CNN和Transformer基线。
本文提出了一个全面的数学框架，用于使用傅里叶神经算子（FNO）及其物理信息变体（PINO）对三相黑油油藏动态进行连续代理建模，并应用于Norne基准油藏。理论贡献包括泛函分析公式、协变量偏移分析、物理约束谱稳定性以及截断反向传播梯度分析。