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

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

提出一种使用变量缩放技术训练物理信息神经网络（PINNs）的新方法，通过对神经切线核（NTK）的分析提供理论证据并证明这种方法确实可以提高 PINNs 的性能。

Jun, 2024

本研究提出了一种名为 latentPINN 的框架，通过将偏微分方程（PDE）参数的潜在表示作为额外的输入进行 PINN 模型的训练，使用两个阶段的训练来学习 PDE 参数的潜在表示，并通过在解决区域内随机生成空间坐标和 PDE 参数值的样本进行物理感知神经网络的训练，试验结果表明该方法在不需要任何额外训练的情况下可以很好地适用于不同的 PDE 参数。

May, 2023

该论文提出了使用集成的物理信息神经网络 (PINN) 来解决解偏微分方程 (PDEs) 的问题，通过逐步扩展解决方案间隔以及结合 PINN 模型集中观察点的解决方案的一致性来稳定 PINN 的培训，并使结果明显优于目前存在的时间自适应策略的 PINN 算法。

Apr, 2022

本文提出了一种基于自我训练的物理学受控神经网络 (ST-PINN) 的方法，通过选取具有高置信度的样本点作为伪标签进行训练，从而提高神经网络学习物理信息的效果及其收敛性，在五个不同场景下进行的实验表明该方法优于现有的物理受控神经网络方法，并将精度提高了 1.33x-2.54x。

Jun, 2023

提出了一种基于物理的神经网络（PINN）的空间依赖型方法（SD-PINN），能够通过单个神经网络恢复空间相关的偏微分方程（PDE）系数，消除了对领域专业知识的需求。该方法通过引入物理约束具有对噪声的鲁棒性，并结合 PDE 系数空间变化的低秩假设，能够恢复没有测量数据的位置的系数。

Oct, 2023

针对物理学问题，提出了一种可以在单个 GPU 上实现大量样本点（超过 10^7）的基于轴分离的网络架构 SPINN 及其训练算法，相对于传统的基于点处理的 PINNs，在严格控制误差的前提下大幅减少了在多维 PDE 中的计算成本。

Jun, 2023

本文介绍了一种基于物理信息的神经网络（PINN）来解决偏微分方程的方法，并提出了一种基于容差的正确性条件的后训练框架（CROWN），用于限制 PINN 残差误差，并在经典 PDE 和现实应用中进行了实际效果测试。

May, 2023

本文探索使用 PINNs 求解障碍相关的偏微分方程，通过多种场景对线性和非线性、规则和不规则障碍下的 PDE 进行求解，表现良好。

Apr, 2023