在这项研究中，我们提出了一种名为 OL-PINN 的新型框架，将 DeepONet 与 PINN 相结合来解决具有尖锐解决方案的问题，并成功解决了非线性扩散反应方程、Burgers 方程和高雷诺数下的不可压纳维 - 斯托克斯方程等问题，提高了准确性和鲁棒性，同时广泛应用于解决逆问题。

Oct, 2023

通过物理信息神经网络（PINN）框架，解决一类非线性随机动力学系统的 Fokker-Planck 方程，通过 Duffing、Van der Pol 和 Duffing-Van der Pol 振子的几个示例评估 PINN 在预测 PDF、捕捉 PDF 的 P 分岔和处理高维系统方面的能力和准确性，并通过与蒙特卡洛模拟和现有文献的比较证明 PINN 可以有效应对所有上述问题，同时表明使用迁移学习可以大大减少 PINN 解决方案的计算时间。

Sep, 2023

使用简化形式的 Vlasov-Poisson 系统（1D1V）作为物理启发神经网络（PINN）应用于波粒共振的测试样本。首先将 PINN 作为 Vlasov-Poisson 系统解法的压缩方法进行测试，并与标准神经网络进行比较。其次，还介绍了将 PINN 应用于 Vlasov-Poisson 系统求解，重点放在积分部分，这促使了基于自动微分求解偏微分方程和自动积分求解积分方程的 PINN 变体，称为可积性 PINN（I-PINN）的实现。

Aug, 2023

本文提出物理信息神经操作器（PINO），该方法使用现有的数据和物理约束条件来学习参数化偏微分方程（PDE）族的解算器，通过结合数据和 PDE 约束条件，PINO 成功地实现了高分辨率实例的准确性和泛化能力。

Nov, 2021

本研究提出了一种基于增广拉格朗日方法的 Physics-Informed Neural Networks (AL-PINNs) 算法，用于优化偏微分方程的残差问题，并通过数值实验证明了该方法相较于现有的自适应损失平衡算法具有更小的相对误差。

Apr, 2022

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

提出了一种通用的框架，用于导出物理相关神经网络（PINN）和操作器学习结构（如 DeepONets 和 FNOs）以及物理相关操作器学习的逼近误差的严格界限，并保证这些结构将有效逼近一般偏微分方程（PDE）的解或解算子。

May, 2022

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

该研究提出了一种基于 X-PINNs 和符号回归的方法，通过数据识别非线性方程中的未知部分，并在面对实际数据中的噪声和数据不足的情况下表现良好。

May, 2023

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