我们提出了一种新颖的图重连接技术，用于解决在大网格上的时态独立的偏微分方程的数据驱动神经 PDE 求解器所面临的一些挑战，如集成不同尺度和不规则网格上的信息。我们在三个数据集上的实验表明，基于 GNN 的方法为不规则网格上的时态独立的偏微分方程设定了新的性能标准。最后，我们展示了我们的图重连接策略提升了基线方法的性能，在其中一个任务中取得了最先进的结果。

Nov, 2023

提出了一种新的数据驱动的降阶建模方法来高效求解参数化的偏微分方程问题，并利用隐式神经表示来对物理信号进行连续建模，而与空间 / 时间离散化无关。

Nov, 2023

本论文研究了三种基于神经积分算子的多分辨率模式，并使用消息传递图神经网络进行了验证，以解决描述物理现象中的偏微分方程最具挑战性问题之一 —— 在不同尺度下表示物理信号。

Jun, 2022

该研究论文介绍了 PI-MGNs，一种将 PINNs 和 MGNs 相结合的混合方法，用于在任意网格上快速准确地解决非稳态和非线性偏微分方程的热工过程模拟。

Feb, 2024

通过构建多级图神经网络框架，解决基于深度学习的物理系统模拟和偏微分方程求解中数据格式与神经网络所需结构不匹配所带来的挑战，提出一种对于 GNN 和多分辨率矩阵核分解统一的方法，该方法可以处理所有范围的相互作用并具有线性复杂度。实验证明，这种多图网络可以学习离散化不变的 PDE 解算符并可以在线性时间内进行评估。

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

利用神经网络在粗粒化离散空间中学习系统的动力学，并通过降维简化了时间模型的训练过程，同时展示了与在全序空间上操作的神经 PDE 求解器相比，该方法具有竞争力的准确性和效率。

Feb, 2024

通过应用图神经网络和消息传递模型，我们提出了一种有效的 PDE 求解方法，通过参数化控制方程，学习领域不变特征，构建线性 / 非线性 PDE 的准确求解器。

Apr, 2022

本文综述了传统的 PDE 数值逼近方法以及近期的基于机器学习的方法，重点介绍了以神经算子为中心的关键构架，这是一种学习 PDE 解算子的新方法，与传统方法相比具有 1000 倍的计算速度优势，这些新的计算方法可以在解决许多基础和应用物理问题方面带来巨大优势。

Jan, 2023

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