标签
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。
傅里叶神经算子（FNOs）在建模周期性驱动的量子系统时取得了外推成功，通过在频率空间中捕捉时间相关性，实现了超越训练数据的物理忠实动力学。
本文为物理信息机器学习开发了一种PAC-Bayesian框架，为无界损失提供了高概率泛化保证。它提出了一种多任务视角，联合处理数据保真度、偏微分方程残差和边界条件，并引入了一种自界限学习算法。
EMMA是一种基于物理信息的多模态框架，利用液体时间常数网络和物理约束损失，从原始视频、音频和图像数据中恢复动力学参数，在多种基准测试中显著优于现有基线方法。
本文提出物理信息驱动的多尺度Mamba（PIMSM），这是一种状态空间架构，它将模型记忆与物理时间尺度对齐，以提升在科学时间序列分布偏移下的鲁棒性，并在fMRI和天气预报任务上展示了改进。
一篇全面的综述，回顾了利用人工智能解决逆偏微分方程（PDE）问题的最新进展，涵盖了逆问题、逆设计与控制问题，并在科学与工业领域具有广泛应用。
本文介绍了 MuFiNNs，这是一种层次化多保真度神经网络框架，旨在利用稀疏的实验数据预测三维火焰皱褶度和湍流燃烧速度。该方法将低保真度的物理趋势与高保真度修正相结合，从而在数据有限的燃烧状态下实现稳健的预测和外推。
本文介绍了动力学物理建模神经网络（DynPMNNs），这是一种连续时间深度学习架构，其中隐藏层由常微分方程定义。该方法基于再生核巴拿赫空间，具有生物启发性，在加州房屋数据集上展现出与标准神经ODE相当的性能，且参数更少。
本文提出了一种新架构，将 Flux 神经算子与循环视觉转换器相结合，作为求解守恒律的基础模型。该模型在无需显式获取控制方程的情况下，在多种保守系统中展示了稳健的泛化能力和长期预测能力。