通过解决受约束的优化问题并使用类似于物理 - Informed 神经网络（PINN）的中间状态表示，我们将 PDE 表示为神经网络，以发现 PDE。我们使用惩罚方法和广泛使用的约束 - 区域障碍方法解决了此约束优化问题，并在数值示例上比较了这些方法。我们对 Burgers' 和 Korteweg-De Vreis 方程的结果表明，后一种约束方法在更高的噪声水平或更少的空间插值点上表现优于惩罚方法。对于这两种方法，我们使用传统方法（如有限差分方法）解决这些发现的神经网络 PDE，而不是依赖于自动微分的 PINNs 类型方法。我们简要介绍其他一些小但至关重要的实施细节。
May, 2024
本文提出了一种基于深度学习的域特定快速迭代求解器的方法，并经过训练在多种几何结构和边界条件下实现了 2-3 倍的速度提升。
Jun, 2019
通过使用 Mixture-of-Experts (MoE)，我们开发了一种可扩展的方法来强制执行硬物理约束，以增强神经 PDE 求解器在预测挑战性非线性系统动力学方面的准确性，并改善训练稳定性以及在训练和推断阶段所需的计算时间。
Feb, 2024
我们提出了一种基于神经网络的元学习方法，用于高效解决偏微分方程（PDE）问题。该方法通过元学习来解决各种各样的 PDE 问题，并将这些知识用于解决新的 PDE 问题。我们使用神经网络将 PDE 问题编码成问题表示，其中，控制方程由偏导数的多项式函数的系数表示，边界条件由一组点条件对表示。我们将问题表示作为神经网络的输入来预测解决方案，通过神经网络的前向过程，我们能够高效地预测特定问题的解决方案，而无需更新模型参数。为了训练我们的模型，我们最小化在基于物理知识的神经网络框架中适应 PDE 问题时的预期误差，通过这种方式，即使解决方案未知，我们也能评估误差。我们证明了我们提出的方法在预测 PDE 问题的解决方案方面优于现有方法。
Oct, 2023
这篇研究论文研究了通过机器学习方法发现复杂修正函数来提高解决偏微分方程数值误差的准确性，发现将求解器集成到训练中的方法比以往的学习方法更有效，文章还强调了不同可微分物理网络在广泛的 PDEs 中的性能表现。
Jun, 2020
本文提出了一种新型的混合反向问题复合框架，将深度神经网络的高表现力与现有偏微分方程数值算法相结合，通过语义自编码器的自定义层，将计算数学、机器学习和模式识别技术融合在一起，实现了域特定知识和物理约束的综合应用，解决了大量数据中的未知字段这个问题，称之为混合反向 PDE 网络 (BiPDE 网络)，并在一维和二维空间中的泊松问题中，以及一维的时间依赖和非线性 Burgers 方程中，应用和证明了其可行性和噪声鲁棒性。
Jan, 2020
本研究介绍了一种新颖的分层预测 - 校正方案，使神经网络能够学习理解和控制复杂的非线性物理系统，在涉及偏微分方程的任务中成功地开发了对这些系统的理解，并学会了控制它们。
利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。
Jun, 2018
通过定义神经网络的导数为有限差分逼近，并提出求解偏微分方程残差边界问题和初始值问题误差传播的方法，我们首次解决了在没有先验知识的情况下界定神经网络函数的问题，并构建了一个并行分支算法，该算法结合了不完全的 CROWN 求解器和梯度攻击来解决终止和域拒绝条件。我们展示了提议框架的优点和缺点，并提出了进一步改进效率的工作。
该论文通过偏微分方程的理论框架，提出了三种新型的 ResNet 神经网络架构，分别属于抛物线和双曲线类型的 CNN，能够提供深度学习的新算法和思路，并用数值实验证明了它们的竞争力。
Apr, 2018