通过测试传统 PINN 方法的表达能力，本论文提出了一种分布式 PINN（DPINN），并与原方法进行了对比，试图直接使用物理信息神经网络来解决非线性偏微分方程及二维稳态 Navier-Stokes 方程。

Jul, 2019

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

该论文介绍了新型 PINNs 的理论和实践研究，证明了其在解决偏微分方程方面的有效性和可靠性。

Apr, 2020

该研究介绍了一种名为 PPINN 的新型神经网络结构，可在短时间内解决时间依赖性偏微分方程问题，通过将一个长时间问题分解成许多由粗粒度求解器监督的独立短时间问题，PPINN 可以在几个迭代中实现收敛并获得显著加速。

Sep, 2019

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

使用物理约束的神经网络和贝叶斯后验均值估计的方法在物理和机器学习领域得到了广泛的应用，本研究探讨了这些方法在解决偏微分方程及其反问题时的性能和收敛性。

Jun, 2024

提出一种使用变量缩放技术训练物理信息神经网络（PINNs）的新方法，通过对神经切线核（NTK）的分析提供理论证据并证明这种方法确实可以提高 PINNs 的性能。

Jun, 2024

通过使用深度卷积神经网络和球谐分析的最新近似结果，我们对物理信息的卷积神经网络（PICNN）在球面上求解偏微分方程的数值性能进行了严格的分析，并证明了其与 Sobolev 范数的逼近误差的上界。随后，我们将此与创新的定位复杂度分析相结合，建立了 PICNN 的快速收敛速率。我们的理论结果也得到了我们的实验的证实和补充。根据这些发现，我们探索了解决高维 PDEs 时出现的维度诅咒的潜在策略。

Aug, 2023

针对物理学问题，提出了一种可以在单个 GPU 上实现大量样本点（超过 10^7）的基于轴分离的网络架构 SPINN 及其训练算法，相对于传统的基于点处理的 PINNs，在严格控制误差的前提下大幅减少了在多维 PDE 中的计算成本。

Jun, 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