本文介绍了物理信息神经网络在固体力学中应用的方法，展示了通过使用多网络模型，结合动量平衡和本构关系，可以更准确地呈现一些场量变量。同时，通过测试合成数据并和解析解和数值解进行比较，验证了模型的有效性和精度，并指出了等几何分析在准确性和收敛性方面的优于有限元法的特点。我们还探索了该框架在机器学习中的应用，并发现物理信息对于提高模型的鲁棒性有很大作用。

Feb, 2020

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

本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用，重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。

May, 2022

本文概述了物理相关机器学习在动态系统建模和控制方面的最新进展、基本概念和方法、工具及应用。

Jun, 2023

该论文介绍了一种用于模拟弹性基础上横梁动力学的新方法。通过在因果关系尊重的物理信息神经网络（PINN）框架内采用迁移学习方法来模拟Winkler基础上的Euler-Bernoulli和Timoshenko梁模型，有效地捕捉了潜在的物理特征，以加快收敛并确保在不同情境下获得准确结果。该方法在Euler-Bernoulli梁的数值实验中表现出了显著的效果，并展示了在较大时空范围内应用于Timoshenko梁的潜力，在标准$L^2$-norm度量和加速收敛方面优于最先进的物理信息方法。

Nov, 2023

研究探讨了物理信息神经网络（PINN）模型在解决基于输运方程的偏微分方程（PDEs）方面的应用，主要目的是分析在PINN模型中不同激活函数对其预测性能的影响，特别是均方误差（MSE）和平均绝对误差（MAE）的评估。研究使用的数据集包含与支柱直径、单元格尺寸以及相应屈服应力值相关的各种输入参数。研究的结果表明，对于这个特定问题，激活函数的选择可能对模型的预测准确性产生较小的影响。PINN模型展示了出色的泛化能力，表明其能够避免与提供的数据集过度拟合。研究强调了在选择特定实际应用的激活函数时，在性能和计算效率之间取得平衡的重要性。这些宝贵的发现有助于推动PINN作为解决各种科学和工程领域中具有挑战性的PDEs的有效工具的理解和潜在应用。

Jul, 2023

物理启发的神经网络（PINNs）通过将深度学习与基本物理原理相结合，为解决偏微分方程中的正向和反向问题提供了一种有前途的方法。本研究从神经网络架构的角度深入探讨了PINN优化的复杂性，利用神经切向核（NTK），揭示了高斯激活提供了比其他激活函数更有效训练PINNs的优势。在数值线性代数的启示下，我们引入了一种经过预处理的神经网络架构，展示了这种定制架构如何增强优化过程。我们通过对科学文献中已有的偏微分方程进行严格验证，证实了我们的理论发现。

Feb, 2024

对物理启发机器学习中的物理信息神经网络和相关模型的数值分析结果进行综合评述，并重点阐述了在近似偏微分方程时PINN所产生的误差在各个组成部分的行为，以及与PDE类型和基础域维度相关的逼近、概括和训练误差的可用结果。同时阐明了解的稳定性和解的规则性对误差分析的作用，最后通过数值结果来说明训练误差对物理启发机器学习中各种模型整体性能的不利影响。

Jan, 2024

该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

Feb, 2024

该研究解决了传统动力系统建模中的不准确性和传感器数据稀疏问题。通过采用物理启发神经网络（PINNs），研究首次将已知物理法则嵌入到神经网络的损失函数中，显著提高了对动态系统的状态和参数的估计。研究结果表明，PINNs在动态系统建模中展现出强大的潜力，特别是在面对不确定性和建模误差时。

Oct, 2024