本论文基于深度学习方法开发了一个代理模型，以加速油藏模拟，相较于现有业界物理学基础偏微分方程求解器提高了三个数量级，并进行了深入的实验评估。我们证明，在实际环境中，可以实现超过2000倍的加速，平均序列误差约为10％相对于油田模拟器。该代理模型与高质量的基于物理学的加速基线进行对比，并显示其性能优于其几个数量级。本论文的结果非常有前途，并为持续开展油田开发优化方面的研究提供了有价值的基准。

May, 2019

本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用，重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。

May, 2022

本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展，它以物理机制为前提，在模型结构、优化器、推断算法和特定领域的应用（如逆向工程设计和机器人控制）等方面将不同的物理先验形式编码成模型，随着跨领域的研究，增强模型精度，提高效率，并对相关学科领域解决长期存在的问题提供可贵帮助。

Nov, 2022

本文概述了物理相关机器学习在动态系统建模和控制方面的最新进展、基本概念和方法、工具及应用。

Jun, 2023

物理知识融入数据驱动学习的方法（PIML技术）在条件监控领域有广泛应用，提高精确度和解释性，可用于增强维护策略、系统可靠性和工程系统整体运行效率。

Jan, 2024

该研究介绍了一种物理信息驱动的机器学习（PIML）模型，将概念性水文模型的过程理解与机器学习算法的预测效能相结合，在安纳达普尔亚分水汇中应用，表明该模型在预测月流量和实际蒸散发方面的性能优于独立的概念模型和机器学习算法，确保输出的物理一致性。

Feb, 2024

该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

Feb, 2024

南极冰盖和北极冰盖的大量流失导致海平面上升，海洋环流变化，从而导致沿海洪涝，并危及全球数千万人的家园和生计。为了解决冰川行为的复杂问题，文献中提出了物理模型和数据驱动模型。然而，传统的物理模型在产生高分辨率结果方面存在局限性；另一方面，数据驱动方法需要大量高质量且标记的数据，而这在极地地区很少见。因此，作为一种充分利用物理模型和数据驱动方法优势的有希望的框架，物理顺应机器学习（PIML）在近年来得到广泛研究。本文综述了现有的PIML算法，根据融合物理和数据驱动方法的方式提供了自己的分类，并分析了PIML在准确性和效率方面的优势。此外，我们的调研还讨论了一些当前的挑战和未来的机会，包括海冰研究中的PIML、不同组合方法和骨干网络的PIML以及神经操作器方法。

Apr, 2024

利用物理知情机器学习（PIML）领域开发模型来预测航空发动机的剩余寿命，采用C-MAPSS数据集，使用随机方法估计C-MAPSS数据的物理模型并将其应用于LSTM模型，结果表明PIML方法在这个问题上表现优异，同时该框架灵活性高，适用于其他情况。

Jun, 2024

本研究针对在地震学中数据有限的问题，提出结合物理知识的科学机器学习（SciML）方法。强调物理知识引导的神经网络（PINNs）和神经算子（NOs）在解决前向逆向问题及复杂系统时间演变建模的应用，展示其在自然科学领域的潜在影响和未来发展方向。

Sep, 2024