提出了一种基于物理学信息生成和深度学习预测模型的新型混合框架，其中包括一个新的受控物理学信息生成对抗网络 (CPI-GAN)，该网络使用五个基本物理约束条件将生成的合成降级轨迹的变化趋势保持一致并提高了剩余寿命预测的准确性。与商业模块化航空推进系统模拟 (N-CMAPSS) 的实验结果表明，该框架能够产生与基础降级趋势一致的合成 TTF 轨迹，进而显著提高了剩余寿命预测的准确性。
Apr, 2023
本论文提出了一种基于模糊逻辑和生成对抗网络的混合建模方法 - FuzzyGAN，该方法结合了基于物理的模型和数据驱动模型的优点，并在承载问题上显示出更准确的预后能力。
Jun, 2022
该研究介绍了两个将混合（对数）位置 - 尺度分布与深度学习相结合的预测模型，以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战，并验证了这些模型相对于现有方法的卓越性能。
May, 2024
利用物理知情机器学习（PIML）领域开发模型来预测航空发动机的剩余寿命，采用 C-MAPSS 数据集，使用随机方法估计 C-MAPSS 数据的物理模型并将其应用于 LSTM 模型，结果表明 PIML 方法在这个问题上表现优异，同时该框架灵活性高，适用于其他情况。
Jun, 2024
使用集成神经网络进行概率剩余寿命预测的方法，可以区分出系统产生的 aleatoric 不确定性和模型参数产生的 (epistemic) 不确定性，并通过在 NASA 的涡轮喷气发动机 CMAPSS 数据集上的测试，展示了这些不确定性可以被建模和解释的方式，并与现有的先进方法进行了评估。
Sep, 2023
通过将动力系统分解为物理成分和数据驱动成分，提出了一种完善物理动力学的方法，并通过实验证明了 APHYNITY 框架可以有效地利用近似物理模型准确预测系统演变和正确识别相关物理参数。
Oct, 2020
这项工作介绍了一种对隐藏物理模型的新型增强方法，可以泛化处理系统输入、参数和领域的变化，并展示了该方法在系统发现方面的潜力，可以帮助学习变化后的系统输入、参数和领域配置的隐藏物理。
Jan, 2024
本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.
Apr, 2022
利用深度学习方法，本研究提出了一种基于时空注意力机制和隐藏的物理信息神经网络（STA-HPINN）用于预测剩余使用寿命（RUL），该模型能够有效地提取相关数据的降解信息，并且在物理约束下实现更高准确性和合理的预测，并在基准数据集上验证了其出色的性能。
采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。