本文研究了物理知识对神经网络的影响，尤其是对物理意义的学习。研究发现，使用以前的方法，神经网络会容易受到微妙的问题的困扰。为了解决这个问题，我们提出了课程规范化和序列到序列学习两种新的方法。通过使用这两种方法，我们可以取得比以前更好的结果。

Sep, 2021

本研究提出了一种方法，可以将带有初始和边界条件的微分方程问题简化为仅由微分方程描述的问题，并基于广义函数构造了新的加权损失函数，以提高物理启发神经网络的准确性。

Apr, 2023

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

本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

Jan, 2024

给定一些稀疏和 / 或嘈杂的数据，本文提出了一种纠正 PINNs 中模型错误的通用方法，使用其他深度神经网络 (DNNs) 建模模型偏差和观测数据之间的差异，从而扩展了 PINNs 在未知物理过程的复杂系统中发现规律方程的应用。

Oct, 2023

提出了一种结构保持的物理导向神经网络 (PINNs) 方法，通过设计结构保持的损失函数和利用系统的李雅普诺夫结构来提高 PINNs 的性能，从而改进了 PINNs 对偏微分方程的数值精度，并提高了模型对图像数据中对抗扰动的鲁棒性。

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

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

利用符合预测框架的一致预测神经网络（C-PINNs），量化 PINNs 的不确定性，通过提供具有有限样本、无分布统计有效性的区间，解决常规 PINNs 不提供不确定性量化的问题。

May, 2024

使用物理信息神经网络（PINN）来解决具有多尺度问题的新框架，通过重新构建损失函数并应用不同数量的幂运算到损失项上以使损失函数中的项具有相近的数量级，并且引入分组正则化策略以解决不同子域中变化显著的问题，该方法使得具有不同数量级的损失项可以同时优化，推动了 PINN 在多尺度问题中的应用。

Aug, 2023