利用物理知识驱动的深度学习方法在异质固体中解决参数化偏微分方程，它的关键是建立复杂的热导率分布、温度分布和热流分量之间的联系，通过固定边界条件，在这项工作中，我们独立于有限元方法等经典求解器，并通过基于离散弱形式的损失函数定义方法给出出色的结果，该损失函数是一个代数方程，大大提高了训练效率。通过将我们的方法与标准有限元方法进行基准测试，我们展示了使用训练有素的神经网络在温度和通量剖面方面进行准确且更快的预测，我们还展示了在未知情况下，与纯数据驱动方法相比，所提出的方法具有更高的准确性。

Jan, 2024

本研究提出了一种方法，可以将带有初始和边界条件的微分方程问题简化为仅由微分方程描述的问题，并基于广义函数构造了新的加权损失函数，以提高物理启发神经网络的准确性。

Apr, 2023

本文介绍物理学知情神经网络，它们被训练来解决监督式学习任务，同时遵守由概括非线性偏微分方程组的任何物理法则。

Nov, 2017

通过将偏微分方程转化为边界积分方程，我们提出了一种新颖的物理信息神经算子方法，可在没有标记数据的情况下解决参数化边界值问题，并且能够处理无界问题。

Aug, 2023

本文提出了一种端到端的框架，用于学习偏微分方程，首先通过物理感知神经算子实现了 1D 波动方程和 1D Burgers 方程的准确性和性能，并将其用于更多新的方程类型，以及在学习 2D 线性和非线性浅水方程中的应用。

Mar, 2022

利用采样方法，从数据无关和数据相关的概率分布中提取隐含权重和偏置的神经网络，可以在训练时间和逼近精度方面取得重大突破，并且能够有效解决时变和静态的偏微分方程以及逆问题，带来了光谱收敛和无网格构建基函数等优势。

May, 2024

利用对比预训练框架和广义对比损失实现神经算子在多个方程上的泛化，提高了傅里叶神经算子在固定未来任务中的准确性和泛化能力，同时在一维热、Burgers' 和线性对流方程的自回归展开和超分辨率任务中表现出相当的性能。

Jan, 2024

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

用量子 Chebyshev 特征映射来解微分方程，通过求和保里 Z 算符的张量积作为测量可观测量的改变，提高了精度和计算时间，在处理初始值问题时使用浮动边界处理。在复杂动力学和微分方程系统的求解上进行了测试，另外，我们提出了加入纠缠层以提高精度而不增加可变参数的方案。此外，还结合了物理信息神经网络的改进自适应方法来平衡多目标损失函数。最后，提出了一种新的量子电路结构来逼近多变量函数，并测试了在求解 2D Poisson 方程时的效果。

Dec, 2023

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