我们提出了一种新颖的基于有限元的物理信息算子学习框架，用于预测由偏微分方程（PDEs）控制的时空动态。该框架利用了受有限元方法（FEM）和隐式欧拉时间积分方案启发的损失函数。通过考虑瞬态导热传导问题进行性能测试，该算子学习框架将当前时间步的温度场作为输入，预测下一个时间步的温度场。实施物理学约束的热传导方程 Galerkin 离散弱形式被用作损失函数，称为有限算子学习（FOL）。经过训练，网络成功预测了任意初始温度场的时间演化，与有限元方法解决方案相比具有较高的准确性。该框架也适用于具有异质热导率和任意几何形状的情况。FOL 的优势可以概括为：首先，训练是以无监督的方式进行的，避免了需要准备大量昂贵模拟或实验数据集的需求。相反，使用由高斯随机过程和傅里叶级数生成的随机温度模式结合恒温场作为训练数据，以覆盖可能的温度情况。其次，利用形状函数和向后差分逼近进行域的离散化，得到一个纯代数方程。这提高了训练效率，同时避免了在优化权重和偏差时耗时的自动微分过程，虽然可能会导致离散化误差。最后，由于有限元方法的插值能力，FOL 能处理任意几何形状，这对于解决各种工程应用场景至关重要。

May, 2024

利用物理知识驱动的深度学习方法在异质固体中解决参数化偏微分方程，它的关键是建立复杂的热导率分布、温度分布和热流分量之间的联系，通过固定边界条件，在这项工作中，我们独立于有限元方法等经典求解器，并通过基于离散弱形式的损失函数定义方法给出出色的结果，该损失函数是一个代数方程，大大提高了训练效率。通过将我们的方法与标准有限元方法进行基准测试，我们展示了使用训练有素的神经网络在温度和通量剖面方面进行准确且更快的预测，我们还展示了在未知情况下，与纯数据驱动方法相比，所提出的方法具有更高的准确性。

Jan, 2024

本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

Feb, 2019

本文介绍了一种利用机器学习方法来减少时间依赖性偏微分方程数值求解误差的方法，使用全卷积 LSTM 网络来利用偏微分方程的时空动态性，提高常规有限差分和有限体积法的精度，并通过对模拟数据的训练和三个不同动态学特征的偏微分方程实例的演示，表明该方法与其他算法相比误差降低了 2 到 3 倍。

Feb, 2020

提出了一种基于稀疏回归的方法，能够通过空间域中的时间序列测量发现给定系统的主要偏微分方程，该方法通过稀疏促进技术来选择最准确地表示数据的非线性和偏导数术语，同时考虑模型复杂性和回归精度的平衡，通过帕累托分析选择简洁的模型，并在多种数学物理问题中进行了演示。

Sep, 2016

使用神经网络和偏微分方程提取动态数据中的模型，参数化模型来结合空时样本相关性，在 MNIST 和 Fashion MNIST 上与其他深度神经网络进行了比较，证明本方法能够降低参数成本。

Aug, 2019

本研究提出了一个基于刚性有限元方法和动态网络的 “有限元启发网络” 架构来模拟可变形线性物体的动力学，将观测到的运动变量映射到身体链的状态，从而得出一种易于处理且能够从部分观测中获得物理可解释性预测的 DLO 动力学模型。

Jul, 2023

通过保留潜空间中的几何信息，我们提出了一个基于连续空间时间的条件神经场求解框架，以尊重已知偏微分方程的对称性，并显示出模型在一些具有挑战性的几何结构中超越基线，并在空间和时间上适用于未见过的位置和几何变换的初始条件。

Jun, 2024

基于机器学习的数据驱动方法在流体力学中提出了一种新的解决方案，通过通过在连续的空间和时间域中进行预测和插值来解决传统方法中的固定支持计算和预测的缺点。

Jan, 2024

本文提出了一种基于数据驱动的普适专家模块，即光流估计组件，用于捕捉广泛的实际物理过程的演化规律；通过精细的物理流程设计和神经离散学习，增强了局部洞察力并获得潜在空间中的重要特征。实验结果表明，与现有的基线方法相比，所提出的框架取得了显著的性能提升。

Feb, 2024