我们提出了一种使用混合的量子物理信息神经网络的方法，模拟了三维 Y 形混合器中的层流流体，该方法结合了量子模型的表达力和 PINN 的灵活性，与纯经典神经网络相比，精度提高了 21％。

Apr, 2023

本文利用物理信息网络解决并识别局部微分方程组，应用此方法成功地解决了雷诺 - 平均纳维尔 - 斯托克斯方程，该方程适用于不可压的湍流流动，而且不需要特定的湍流模型或假设，并仅仅需要利用域边界数据来解决方程，研究结果表明该方法可以用于压力梯度强的层流，并且可以得到小于 1％的误差，同时对于湍流流动的模拟结果也非常准确。

Jul, 2021

利用 PINNs 方法从散射二维噪声测量中估计上行主动脉中的简化模型参数和全速度场，方法在模拟数据上表现出稳定且准确的参数估计，速度重建取决于测量质量和流动模式复杂性，可用于解决临床相关反问题和复杂耦合物理系统。

Aug, 2023

我们利用物理信息神经网络（PINNs）来学习参数化 Navier-Stokes 方程（NSE）的解函数，并通过将参数作为 PINNs 的输入之一，将其与生成的数值解进行训练，以插值出一系列参数的解函数。通过比较不受约束的传统神经网络（NN）和考虑了 PDE 正则化的 PINNs 在流体力学预测上的效果，我们证明了我们提出的方法能够优化学习解函数，同时确保流体预测符合质量和动量守恒定律。

Feb, 2024

本文介绍了用 PINN（受物理启发的神经网络）作为传统求解器替代品解决 Navier-Stokes 方程的实验，并使用 2D 的 Taylor-Green 涡旋和圆柱流问题作为实验数据。结果表明，尽管 PINN 方法在 Taylor-Green 问题上表现良好，但在圆柱流问题上未能产生物理解。这表明 PINN 方法在无已知数据的情况下求解流动问题仍有待进一步探究。

May, 2022

研究通过使用多种案例的 Physics-Informed Neural Networks (PINNs) 方法来计算生物医学管道流体动力学，并探讨网络架构、特定管道和正则化策略以优化计算结果。

Sep, 2023

本篇论文提出了基于物理信息神经网络（PINN）的新方法，该方法的第一种模型假定速度分量由流函数的导数近似，第二种更为灵活，对两个维度的 NSE 有有效解决办法，并成功应用于求解三维 NSE，这些方法具有高训练性、灵活性和高效性。

Apr, 2023

通过将离散化的微分方程融入到 PINN 框架中，改进物理信息神经网络在处理不连续输入数据方面的准确性，并减少数值模拟的计算成本。

Apr, 2024

对物理启发机器学习中的物理信息神经网络和相关模型的数值分析结果进行综合评述，并重点阐述了在近似偏微分方程时 PINN 所产生的误差在各个组成部分的行为，以及与 PDE 类型和基础域维度相关的逼近、概括和训练误差的可用结果。同时阐明了解的稳定性和解的规则性对误差分析的作用，最后通过数值结果来说明训练误差对物理启发机器学习中各种模型整体性能的不利影响。

Jan, 2024

通过引入基于物理的规则，将 PINNs 模型用于流体动力学的代理模型，证明了其在数据缺失，边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点，包括提高模型的预测性能，提高对数据噪声的稳健性，并减少对于先前未见场景的优化收敛所需的时间。

May, 2021