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

通过 R-DISCOVER 框架，本研究提出了一种从有限且嘈杂数据中稳健地揭示开放式偏微分方程（PDE）的方法，该框架通过发现和嵌入两个交替更新过程进行操作，并通过符号表示和强化学习指导的混合 PDE 生成器高效地生成具有树结构的多样化开放式 PDE，实验证明该框架能够优于其他基于物理知识的神经网络发现方法，从有限的嘈杂数据中揭示非线性动态系统的控制方程，为探索限制了理解的实际系统开辟了新的潜力。

Sep, 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

本论文提出了一种称为弱对抗网络（WAN）的新方法，通过利用其弱形式将高维线性和非线性偏微分方程转化为算子范数最小化问题，使用原始和敌对网络进行参数化，交替更新以逼近最优网络参数设置。本方法是快速的，稳定的，完全无网格方法，特别适用于定义在不规则域上的高维 PDE，解决了有限差分和有限元法所面临的计算速度慢，不稳定和维数诅咒问题。

Jul, 2019

利用 Fourier 神经算子学习非线性双曲型偏微分方程的弱解并采用物理学启发式正则化策略可以提高模型的预测能力，研究表明 Fourier 神经算子具有良好的泛化能力，尽管随着初始和边界条件的分布复杂度线性增长，其泛化误差也呈现线性增长。

Feb, 2023

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

我们提出了一种基于神经网络的元学习方法，用于高效解决偏微分方程（PDE）问题。该方法通过元学习来解决各种各样的 PDE 问题，并将这些知识用于解决新的 PDE 问题。我们使用神经网络将 PDE 问题编码成问题表示，其中，控制方程由偏导数的多项式函数的系数表示，边界条件由一组点条件对表示。我们将问题表示作为神经网络的输入来预测解决方案，通过神经网络的前向过程，我们能够高效地预测特定问题的解决方案，而无需更新模型参数。为了训练我们的模型，我们最小化在基于物理知识的神经网络框架中适应 PDE 问题时的预期误差，通过这种方式，即使解决方案未知，我们也能评估误差。我们证明了我们提出的方法在预测 PDE 问题的解决方案方面优于现有方法。

Oct, 2023

通过机器学习中的变分贝叶斯和稀疏线性回归的组合方法，提出了一种新的从数据中发现偏微分方程的方法，可应用于物理、工程和生物学领域等。

Jun, 2023

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

采用元学习方法将神经网络拟合偏微分方程组的解，并最终在不同的参数、几何域和边界条件下对非线性 Poisson 方程、1D Burgers 方程和超弹性方程组等问题，以较快的速度达到近似精度，且无需传统的有限元分析求解器。

Nov, 2022