我们提出了一种快速准确训练物理信息神经网络（PINNs）解决边界值问题（BVPs）和初始边界值问题（IBVPs）的新方法。该方法结合了深度神经网络（DNNs）和极限学习机（ELMs）的训练方法，将 DNN 的表达能力与 ELMs 的微调能力相结合，通过解决线性和非线性常微分方程（ODEs）、偏微分方程（PDEs）以及耦合的 PDEs 等多个问题来展示该方法的优越性。使用功能连接理论（TFC）来确切地强加初值条件和边界条件（IBCs）到 PINNs 上，并提出了缩减 TFC 框架来改进 PINNs 的训练和推测时间。此外，通过引入无穷远处边界条件的方法，我们成功地数值求解了一维可压缩 Euler 方程的纯对流问题。

Jun, 2024

物理学启发式神经网络（PINNs）与最近发展的捕捉不连续性的神经网络相结合，可以应用于求解带界面和某些控制约束的偏微分方程（PDE）的最优控制问题。该方法是无网格且可扩展到不同的 PDE，并且能够严格保证控制约束。

Aug, 2023

使用基于物理的深度神经网络的边界积分网络来解决少一个维度的偏微分方程问题，并在地下水流重建方面展示了出色的性能。

Aug, 2023

通过在前馈神经网络中嵌入偏微分方程所描述的物理信息，物理信息导向的神经网络（PINNs）作为深度学习的一种有前途的方法，用于解决偏微分方程（PDEs）。然而，尽管 PINNs 表现出卓越的性能，但它们在处理解快速变化的方程时可能面临困难。为了解决这些问题，我们提出了一种二进制结构的物理信息导向神经网络（BsPINN）框架，其中采用二进制结构神经网络（BsNN）作为神经网络组件。通过利用相对于完全连接的神经网络减少神经元连接的二进制结构，BsPINNs 在更有效和高效地捕捉解的局部特征方面表现出色。在一系列解决 Burgers 方程、Euler 方程、Helmholtz 方程和高维 Poisson 方程的数值实验中，BsPINNs 展现出优异的收敛速度和更高的准确性，相较于 PINNs。从这些实验中，我们发现 BsPINNs 解决了 PINNs 中增加的隐藏层导致过度平滑的问题，并防止了 PDEs 解不光滑导致准确性下降的问题。

Jan, 2024

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

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

本文介绍了一种基于物理信息的神经网络（PINN）来解决偏微分方程的方法，并提出了一种基于容差的正确性条件的后训练框架（CROWN），用于限制 PINN 残差误差，并在经典 PDE 和现实应用中进行了实际效果测试。

May, 2023

本文探索使用 PINNs 求解障碍相关的偏微分方程，通过多种场景对线性和非线性、规则和不规则障碍下的 PDE 进行求解，表现良好。

Apr, 2023

本文提出了一种基于物理学信息神经网络（PINN）的方法来解决在没有标注数据的情况下建模弹性动力学问题的挑战，进一步解决了复杂的 I/BCs 在弱正则化 PINN 框架下无法很好满足的问题，在多个数值弹性例子中展示了该方法的可行性。

Jun, 2020

开发了一种基于物理信息的深度学习框架，用于近似解非线性偏微分方程，可以在不预先了解解的性质或不连续点的位置的情况下发展出震荡或不连续的解。

Jul, 2023