本文介绍了使用深度学习发现复杂数据集中隐藏的偏微分方程 (包括线性和非线性方程)。通过使用测量数据进行必要的输入数据转换来实现发现过程中的坐标转换。同时，展示了用于选择特征和模型的技巧。通过本文的分析，可以发现非线性二阶偏微分方程的动力学可以由我们的深度学习算法自动准确地描述为普通微分方程。在研究更复杂的模拟时，也可以得到类似的结果。

Aug, 2018

本文提出了一种基于深度学习的方法，可以从散乱的、有可能带有噪声的时空数据中，发现非线性偏微分方程，该方法通过两个深度神经网络来近似未知解和非线性动力学，并测试了其在多个科学领域的效果。

Jan, 2018

本文提出了一种新的学习模型，称为隐藏物理模型，旨在从小数据中学习偏微分方程，并利用高斯过程进行概率推断，此方法被证明在各种科学领域中具有潜在的应用前景。

Aug, 2017

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。

Jan, 2020

通过在 PyTorch 和 PDE 系统 Firedrake 之间实现简单而有效的耦合，可以为研究人员、工程师和专家提供一种高效的方式来规定耦合模型，而只需要对现有代码进行微不足道的更改。

Mar, 2023

本文提出了一种用于无配对输入输出观测的深度神经网络参数化的无穷维算子的学习框架，以实现对于参数 ODE/PDE 系统的精确长时间模拟，该方法虽然比传统数值解算法计算成本低，但可靠性更高且能够全局评估。

Jun, 2021

本文介绍了物理知识启发的神经网络，依据偏微分方程描述的物理学定律进行训练。本文第二部分聚焦于基于数据驱动的偏微分方程发现问题，并介绍了两类算法，即连续时间和离散时间模型。本方法在包括守恒定理、不可压缩流体流动和非线性浅水波传播等多个数学物理基准问题上的有效性得到了证明。

Nov, 2017

本文提出一种新的基于物理编码离散学习框架，用于从稀缺且有噪声的数据中发现时空偏微分方程，通过引入基于深度卷积 - 循环网络进行先前的物理知识编码，并利用重构数据的稀疏回归来识别控制 PDEs 的显式形式。作者在三个非线性 PDE 系统上进行了验证，展示了该方法的有效性和优越性。

Jan, 2022

本文提出了一种基于物理学信息神经网络（PINN）的方法来解决在没有标注数据的情况下建模弹性动力学问题的挑战，进一步解决了复杂的 I/BCs 在弱正则化 PINN 框架下无法很好满足的问题，在多个数值弹性例子中展示了该方法的可行性。

Jun, 2020

提出一种基于物理约束深度学习的建模和不确定性量化方法，避免深度学习在小样本问题上的跨度不足，可以用于偏微分方程系统的解决和预测推断，并提供一些解释和量化手段。

Jan, 2019