我们提出了一种基于随机化的物理信息神经网络（rPINN）方法，用于不确定性量化和含有噪声数据的反向偏微分方程（PDE）问题。通过对 PINN 损失函数进行随机化来解决贝叶斯 PINN（BPINN）方法中 Hamiltonian Monte Carlo（HMC）方法无法收敛的问题，该方法在线性和非线性 Poisson 方程以及高维空间相关扩散系数的扩散方程中得出了信息丰富的分布。

Jul, 2024

使用物理约束的神经网络和贝叶斯后验均值估计的方法在物理和机器学习领域得到了广泛的应用，本研究探讨了这些方法在解决偏微分方程及其反问题时的性能和收敛性。

Jun, 2024

通过使用随机数据和 dropout 法来分别表示参数不确定性和近似不确定性，将经典的 PINN（物理信息神经网络）与 NN-aPC 的推广相结合，扩展了我们的工作到多维随机偏微分方程。

Sep, 2018

通过在前馈神经网络中嵌入偏微分方程所描述的物理信息，物理信息导向的神经网络（PINNs）作为深度学习的一种有前途的方法，用于解决偏微分方程（PDEs）。然而，尽管 PINNs 表现出卓越的性能，但它们在处理解快速变化的方程时可能面临困难。为了解决这些问题，我们提出了一种二进制结构的物理信息导向神经网络（BsPINN）框架，其中采用二进制结构神经网络（BsNN）作为神经网络组件。通过利用相对于完全连接的神经网络减少神经元连接的二进制结构，BsPINNs 在更有效和高效地捕捉解的局部特征方面表现出色。在一系列解决 Burgers 方程、Euler 方程、Helmholtz 方程和高维 Poisson 方程的数值实验中，BsPINNs 展现出优异的收敛速度和更高的准确性，相较于 PINNs。从这些实验中，我们发现 BsPINNs 解决了 PINNs 中增加的隐藏层导致过度平滑的问题，并防止了 PDEs 解不光滑导致准确性下降的问题。

Jan, 2024

本研究介绍了一种新型离散 PINN 框架，基于图卷积网络和 PDE 的变分结构，能够在前向和反向设置中严格施加边界条件和吸收稀疏数据，适用于处理不规则几何形状和非结构化网格等应用领域。

Jul, 2021

通过测试传统 PINN 方法的表达能力，本论文提出了一种分布式 PINN（DPINN），并与原方法进行了对比，试图直接使用物理信息神经网络来解决非线性偏微分方程及二维稳态 Navier-Stokes 方程。

Jul, 2019

我们介绍了一种鲁棒版本的物理启发式神经网络（RPINN）来近似求解偏微分方程（PDEs），该方法利用能量范数计算的残差和格拉姆矩阵的倒数构建了损失函数，在两个空间维度的拉普拉斯问题和对流扩散问题中进行了测试，结果表明 RPINN 是一种鲁棒的方法，其损失函数与解的真实误差在能量范数下相符，因此我们可以知道训练过程进行得如何，并在达到所需精度的真实误差下停止训练来获得 PDE 解的神经网络逼近。

Jan, 2024

该研究介绍了一种名为 PPINN 的新型神经网络结构，可在短时间内解决时间依赖性偏微分方程问题，通过将一个长时间问题分解成许多由粗粒度求解器监督的独立短时间问题，PPINN 可以在几个迭代中实现收敛并获得显著加速。

Sep, 2019

文章综述了物理学启发的神经网络（PINN）的文献，并介绍了其特点和优缺点。此外，研究还包括了使用 PINN 以及它的许多其他变体解决 PDE、分数方程、积分微分方程和随机 PDE 的广泛应用领域，以及它们的定制化方法，如不同的激活函数、梯度优化技术、神经网络结构和损失函数结构。虽然该方法被证明在某些情况下比有限元方法更可行，但它仍面临理论问题尚未解决。

Jan, 2022

通过引入高斯噪声进行随机平滑以及根据 PDE 非线性性提出的偏差校正技术，我们综合分析了 Randomized Smoothing PINN 的偏差问题，并在有限维度和非线性 PDE 问题上研究了 RS-PINN 的性能和效果。结果表明，在高维度问题中，将有偏差的版本与无偏差的版本相结合，可以在偏差和方差之间找到平衡点，以实现更快的收敛和更高的准确性。

Nov, 2023