本文利用物理信息网络解决并识别局部微分方程组，应用此方法成功地解决了雷诺 - 平均纳维尔 - 斯托克斯方程，该方程适用于不可压的湍流流动，而且不需要特定的湍流模型或假设，并仅仅需要利用域边界数据来解决方程，研究结果表明该方法可以用于压力梯度强的层流，并且可以得到小于 1％的误差，同时对于湍流流动的模拟结果也非常准确。

Jul, 2021

我们利用物理信息神经网络（PINNs）来学习参数化 Navier-Stokes 方程（NSE）的解函数，并通过将参数作为 PINNs 的输入之一，将其与生成的数值解进行训练，以插值出一系列参数的解函数。通过比较不受约束的传统神经网络（NN）和考虑了 PDE 正则化的 PINNs 在流体力学预测上的效果，我们证明了我们提出的方法能够优化学习解函数，同时确保流体预测符合质量和动量守恒定律。

Feb, 2024

本文介绍了用 PINN（受物理启发的神经网络）作为传统求解器替代品解决 Navier-Stokes 方程的实验，并使用 2D 的 Taylor-Green 涡旋和圆柱流问题作为实验数据。结果表明，尽管 PINN 方法在 Taylor-Green 问题上表现良好，但在圆柱流问题上未能产生物理解。这表明 PINN 方法在无已知数据的情况下求解流动问题仍有待进一步探究。

May, 2022

本文回顾了在流体力学问题中使用基于物理学的神经网络（PINNs）的方法，将数据和数学模型无缝集成。该方法可以用于求解涉及三维尾流、超音速流和生物流动等方面的逆向问题。

May, 2021

通过将离散化的微分方程融入到 PINN 框架中，改进物理信息神经网络在处理不连续输入数据方面的准确性，并减少数值模拟的计算成本。

Apr, 2024

通过引入基于物理的规则，将 PINNs 模型用于流体动力学的代理模型，证明了其在数据缺失，边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点，包括提高模型的预测性能，提高对数据噪声的稳健性，并减少对于先前未见场景的优化收敛所需的时间。

May, 2021

本文提出了一种基于 PINN 的物理模拟神经网络，用于模拟合成港口通道中由天文潮汐引起的流动，该模型的两个创新点是将流动设置为周期性的，并在训练期间重新采样函数评估点以提高模型精度，并讨论了使用 NS 方程模拟湍流模型的局限性及其与 PINN 的交互作用。

Dec, 2022

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

我们提出了一种使用混合的量子物理信息神经网络的方法，模拟了三维 Y 形混合器中的层流流体，该方法结合了量子模型的表达力和 PINN 的灵活性，与纯经典神经网络相比，精度提高了 21％。

Apr, 2023

我们提出了 SeqPINN 和 SP-PINN 两种基于 PINN 的训练框架，用于求解含有定常流场的 Navier-Stokes 方程，实现了比原始设计的 PINN 更快的速度，并在恢复血流速度时分别达到 1.01 cm/s 和 1.91 cm/s 的 RMSE 值（在直通血管上），以及 1.26 cm/s 和 2.56 cm/s 的 RMSE 值（在三叉血管上）。

Sep, 2023