本文提出了一种新的框架，该框架结合了随机微积分，变分 Bayes 理论和稀疏学习等概念，提出了扩展的 Kramers-Moyal 展开来发现随机偏微分方程 (SPEDs) ，并且用 Spike-and-Slab 先验概率和稀疏学习技术来有效准确地发现潜在的 SPDEs，并且利用三个经典的 SPDEs（随机热方程，随机 Allen-Cahn 方程和随机 Nagumo 方程）进行了实证应用，结果表明，本文提出的方法可以用有限的数据准确地识别出潜在的 SPDEs。
Jun, 2023
提出了一种基于稀疏回归的方法，能够通过空间域中的时间序列测量发现给定系统的主要偏微分方程，该方法通过稀疏促进技术来选择最准确地表示数据的非线性和偏导数术语，同时考虑模型复杂性和回归精度的平衡，通过帕累托分析选择简洁的模型，并在多种数学物理问题中进行了演示。
Sep, 2016
本文提出了一种新的框架，将神经网络、遗传算法和自适应方法相结合，应用于从稀疏噪声数据，不完整的备选库和空间或时间变化系数中发现偏微分方程。该方法在 Burgers 方程，对流扩散方程，波动方程和 KdV 方程上进行了测试，结果表明该方法对噪声数据具有鲁棒性，能够发现具有不完整备选库的参数 PDE。
May, 2020
本文提出一种新的基于物理编码离散学习框架，用于从稀缺且有噪声的数据中发现时空偏微分方程，通过引入基于深度卷积 - 循环网络进行先前的物理知识编码，并利用重构数据的稀疏回归来识别控制 PDEs 的显式形式。作者在三个非线性 PDE 系统上进行了验证，展示了该方法的有效性和优越性。
Jan, 2022
本文介绍了使用深度学习发现复杂数据集中隐藏的偏微分方程 (包括线性和非线性方程)。通过使用测量数据进行必要的输入数据转换来实现发现过程中的坐标转换。同时，展示了用于选择特征和模型的技巧。通过本文的分析，可以发现非线性二阶偏微分方程的动力学可以由我们的深度学习算法自动准确地描述为普通微分方程。在研究更复杂的模拟时，也可以得到类似的结果。
Aug, 2018
本文介绍了一种基于数据驱动的方法，用于发现参数化偏微分方程，扩展了先前方法中对偏微分方程的鉴定，证明了群组顺序阈值岭回归在识别偏微分方程及其参数依赖性方面的性能优于群 LASSO。
Jun, 2018
本研究提出一种基于伴随方法的优化问题，用于从数据中发现潜在的偏微分方程，通过考虑参数化的偏微分方程形式，并最小化 PDE 解与数据之间的误差来计算 PDE 参数的梯度。该方法通过变分计算获取了保正参数的演化方程，可以精确地还原真实的 PDE，尽管在存在噪声的情况下，方法精确度与 PDE-FIND 方法相当。
Jan, 2024
基于核学习和贝叶斯尖峰和板条先验的方程发现方法提供了一种有效的算法来解决数据稀疏性、噪声问题以及目前方法中存在的不确定性量化和训练成本高的限制性问题。
Oct, 2023
本研究提出了一种基于噪声感知的物理信息机器学习框架以及基于离散傅里叶变换的去噪物理信息神经网络，用于通过数据发现物理系统的偏微分方程， 并在五个标准偏微分方程上进行实验证明了该方法的鲁棒性和可解释性。
Jun, 2022
通过使用神经网络逼近未知解的梯度来解决高维偏微分方程，该算法在包括非线性 Black-Scholes 方程、Hamilton-Jacobi-Bellman 方程和 Allen-Cahn 方程等方程上均取得了精确和低误差的结果。
Jul, 2017