开发了一种基于物理信息的深度学习框架，用于近似解非线性偏微分方程，可以在不预先了解解的性质或不连续点的位置的情况下发展出震荡或不连续的解。

Jul, 2023

通过测试传统 PINN 方法的表达能力，本论文提出了一种分布式 PINN（DPINN），并与原方法进行了对比，试图直接使用物理信息神经网络来解决非线性偏微分方程及二维稳态 Navier-Stokes 方程。

Jul, 2019

本篇论文探讨了 PINN 作为线性求解器的潜力，在 Poisson 方程中评估了不同参数下的表现和精度，并且阐述了传递学习的关键作用。同时，论文也提出了将 PINN 与传统线性求解器相结合的方法，以解决高频解的问题，并表明该混合策略在发展具有潜力的新型线性求解器方面具有前景。

Mar, 2021

本文详细解释了物理启发神经网络（PINNs）内部运作机制，提出了结合数值积分的新的损失函数，介绍了扩展损失函数在参数估计和算子发现中的应用，并展示了如何使用纯符号公式生成全部的训练代码；随后给出了详细的性能分析来展示在大量偏微分方程（PDEs）上使用学习技术的权衡；最后，着重介绍了麻烦、复杂的多物理场例子，Doyle-Fuller-Newman（DFN）模型，展示了如何使用 NeuralPDE 将其表达并求解。这份论文旨在提供一个详细而易懂的技术报告，以帮助潜在的用户快速了解 PINN 技术的实际表现和使用案例。

Jul, 2021

在这项研究中，我们提出了一种名为 OL-PINN 的新型框架，将 DeepONet 与 PINN 相结合来解决具有尖锐解决方案的问题，并成功解决了非线性扩散反应方程、Burgers 方程和高雷诺数下的不可压纳维 - 斯托克斯方程等问题，提高了准确性和鲁棒性，同时广泛应用于解决逆问题。

Oct, 2023

该论文介绍了新型 PINNs 的理论和实践研究，证明了其在解决偏微分方程方面的有效性和可靠性。

Apr, 2020

文章综述了物理学启发的神经网络（PINN）的文献，并介绍了其特点和优缺点。此外，研究还包括了使用 PINN 以及它的许多其他变体解决 PDE、分数方程、积分微分方程和随机 PDE 的广泛应用领域，以及它们的定制化方法，如不同的激活函数、梯度优化技术、神经网络结构和损失函数结构。虽然该方法被证明在某些情况下比有限元方法更可行，但它仍面临理论问题尚未解决。

Jan, 2022

提供了使用转移学习来增强 PINN 的鲁棒性和收敛性的训练方法，通过两个案例研究发现转移学习可以有效训练 PINN 在低频问题到高频问题的近似解，同时减少了网络参数，所需数据点和训练时间。同时提供了优化器选择和使用转移学习解决更复杂问题的指南。

Jan, 2024

通过在前馈神经网络中嵌入偏微分方程所描述的物理信息，物理信息导向的神经网络（PINNs）作为深度学习的一种有前途的方法，用于解决偏微分方程（PDEs）。然而，尽管 PINNs 表现出卓越的性能，但它们在处理解快速变化的方程时可能面临困难。为了解决这些问题，我们提出了一种二进制结构的物理信息导向神经网络（BsPINN）框架，其中采用二进制结构神经网络（BsNN）作为神经网络组件。通过利用相对于完全连接的神经网络减少神经元连接的二进制结构，BsPINNs 在更有效和高效地捕捉解的局部特征方面表现出色。在一系列解决 Burgers 方程、Euler 方程、Helmholtz 方程和高维 Poisson 方程的数值实验中，BsPINNs 展现出优异的收敛速度和更高的准确性，相较于 PINNs。从这些实验中，我们发现 BsPINNs 解决了 PINNs 中增加的隐藏层导致过度平滑的问题，并防止了 PDEs 解不光滑导致准确性下降的问题。

Jan, 2024

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