physics-informed

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。

本文提出一种自增强扩散指导方法，将物理定律融入扩散模型，减少与真实动态的偏差，并实现更快的生成。

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。

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。