本文探讨了逆问题的数学定义，提出了一种称为 Invertible Neural Networks (INNs) 的神经网络模型，利用预定义的正向过程和额外的 latent output variables 来解决参数估计问题，并在人工数据和实际问题中发现 INN 是解决参数分布分析、寻找多模态和相关性较强的关键性分析工具。

Aug, 2018

提出一个贝叶斯物理知识推断神经网络（B-PINN）框架，结合贝叶斯神经网络（BNN）和偏微分方程参数复合神经网络（PINN）以解决由偏微分方程和噪声数据描述的前向和反向非线性问题，并进行不确定性量化和 posterior 分布估计。

Mar, 2020

以贝叶斯公式为基础的物理知情神经网络（PINN）方法，利用 Laplace 近似法获得后验概率密度，通过计算证据度量进行假设分类，并通过贝叶斯算法精调损失组成部分的相对权重，解决热传导、波动和 Burger 的方程，获得与精确解良好一致性的结果，并在贝叶斯框架下提供不确定性信息。

Aug, 2023

本文通过分析基于耦合的可逆神经网络（INN）对紧致域上的双 Lipschitz 连续映射的容量，得出同时很好地逼近正向和逆向映射的结论。此外，通过将模型简化、主成分分析和 INN 相结合，提出了一种在无限维空间上同时逼近正向和逆向映射的逼近方法，并分析了该方法的整体逼近误差。初步的数值结果显示该方法在逼近参数化二阶椭圆问题的解算符方面的可行性。

Aug, 2023

应用深度学习技术解决逆问题的一种新方法，通过利用已知物理模型生成的模拟数据和观测数据相结合的混合损失函数对物理系统中未知参数进行推断，实验证明该方法在轨道修复问题上优于标准的物理信息神经网络（PINN），提供了更高的准确性和鲁棒性。

Sep, 2023

我们提出了一种量子门算法，称为量子可逆神经网络（QINN），并将其应用于 LHC 数据中的粒子对撞机精密测量的标准参考过程 - 带有衰变到轻子的 Z - 玻色子的喷注相关产生。我们在不同损失函数和训练场景下比较了 QINN 的表现，并发现在此任务中，混合量子可逆神经网络与学习和生成复杂数据方面性能相当于一个显著更大的纯经典可逆神经网络。

Feb, 2023

本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

May, 2023

本文研究了可逆神经网络的数值稳定性，发现常用结构存在逆爆炸现象及无法逆运算等问题，针对不同问题提出了逆问题的解决方法，证明了构建稳定可逆神经网络是重要的。

Jun, 2020

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

本文提出一种基于物理约束神经网络（hPINNs）的新的深度学习方法用于解决基于偏微分方程（PDEs）和附加不等式的拓扑优化，该方法拥有硬约束，可在不需要偏微分方程求解器的情况下处理大量维度较高的问题。使用 hPINN 解决全息术和 Stokes 流动问题时，相较于基于伴随方法和数值 PDE 解算器的传统 PDE 约束优化方法，它们通常更简单、更平滑。

Feb, 2021