利用贝叶斯参数推断改进锂离子电池诊断，帮助构建电池老化模型；通过物理信息神经网络作为代理加快贝叶斯校准速度，实现快速电池健康状态诊断。

Dec, 2023

本文提出了基于 PINN 模型融合物理动态模型和数据驱动模型用于锂离子电池降解动力学的半经验 / 半物理偏微分方程的模型融合方案，并采用基于不确定性的自适应加权方法平衡多个学习任务在公共 LFP / 石墨化锂离子电池数据集上进行验证。

Jan, 2023

将机器学习与物理学相结合是一种研究未知动力学的热门方法，其中一种被广泛研究的框架是基于物理方程的神经网络（PINN）。此论文介绍了一种稳健的 PINN 训练方法，通过减少损失项，构建了一个较简化的优化过程，应用于电池模型以同时估计其状态和参数。

Nov, 2023

本文提出了一种基于物理学知识的神经网络方法，结合二维数学模型来预测钒基液流电池的性能，通过标准化输入输出，加强约束条件和引入少量标记数据，使模型能够准确预测电池电压和电位等离子体浓度。

May, 2023

提出了一种严格确保硬线性等式约束的物理信息神经网络模型 KKT-hPINN，通过从 KKT 条件得出的投影层，进一步提高了预测准确性。

Feb, 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

本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

Jan, 2024

应用深度学习技术解决逆问题的一种新方法，通过利用已知物理模型生成的模拟数据和观测数据相结合的混合损失函数对物理系统中未知参数进行推断，实验证明该方法在轨道修复问题上优于标准的物理信息神经网络（PINN），提供了更高的准确性和鲁棒性。

Sep, 2023

提出了一种物理信息神经网络（PINN）方法，用于发现 ODEs 的一般类别快慢动力系统的缓慢不变流形（SIMs），通过将向量场分解为快慢分量并提供底层 SIM 的闭合形式泛函的方法

Mar, 2024

本文提出了一种将基础物理约束融入数据驱动替代电池系统的方法，通过构建 DeepONet 进行预测，建立了一个包括两个并行物理信息 DeepONets 和一个预测终端电压的 DeepONet 的混合代理，该代理具有高效和准确度以及完全可微的模型结构。

May, 2022