本文提出了一种新型的混合反向问题复合框架，将深度神经网络的高表现力与现有偏微分方程数值算法相结合，通过语义自编码器的自定义层，将计算数学、机器学习和模式识别技术融合在一起，实现了域特定知识和物理约束的综合应用，解决了大量数据中的未知字段这个问题，称之为混合反向 PDE 网络 (BiPDE 网络)，并在一维和二维空间中的泊松问题中，以及一维的时间依赖和非线性 Burgers 方程中，应用和证明了其可行性和噪声鲁棒性。

Jan, 2020

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

提出了一种新的数据驱动的降阶建模方法来高效求解参数化的偏微分方程问题，并利用隐式神经表示来对物理信号进行连续建模，而与空间 / 时间离散化无关。

Nov, 2023

提出了一种名为 LE-PDE 的简单，快速且可扩展的方法，通过学习局部动态演化的全局表示，并使用已学习的潜在演化模型在潜空间中进行演化，使得 PDEs 的模拟和反问题求解加速，通过 1D 和 2D 方程的测试结果表明，相比于现有的深度学习模型和其他强基线的方法，最多可达到 128 倍的更新尺寸减少和 15 倍的速度提升，同时精度仍然具有竞争力。

Jun, 2022

利用采样方法，从数据无关和数据相关的概率分布中提取隐含权重和偏置的神经网络，可以在训练时间和逼近精度方面取得重大突破，并且能够有效解决时变和静态的偏微分方程以及逆问题，带来了光谱收敛和无网格构建基函数等优势。

May, 2024

本文综述了传统的 PDE 数值逼近方法以及近期的基于机器学习的方法，重点介绍了以神经算子为中心的关键构架，这是一种学习 PDE 解算子的新方法，与传统方法相比具有 1000 倍的计算速度优势，这些新的计算方法可以在解决许多基础和应用物理问题方面带来巨大优势。

Jan, 2023

本文提出了一种基于深度学习的域特定快速迭代求解器的方法，并经过训练在多种几何结构和边界条件下实现了 2-3 倍的速度提升。

Jun, 2019

使用 Transformer 神经网络结构学习物理系统的动力学，混合了卷积自编码器学习的空间模式。模型在预测 Navier-Stokes 方程的时间演化方面取得了与 Fourier Neural Operator（FNO）和 OFormer、Galerkin Transformer 两种基于 Transformer 的神经算子相当或更好的结果。

Nov, 2023

我们介绍了一种新颖的网格无关模型，用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。我们提出了一种空时连续潜在神经偏微分方程模型，具有高效的概率框架和新颖的编码器设计，以提高数据效率和网格独立性。潜在状态动态由一个将格点法和线法结合的偏微分方程模型来控制。我们采用分摊变分推断进行近似后验估计，并利用多射击技术来提高训练速度和稳定性。我们的模型在复杂的合成和真实世界数据集上展示了最先进的性能，克服了以前方法的局限，有效处理部分观测数据。该模型优于最近的方法，显示了推进数据驱动的偏微分方程建模的潜力，并能够对复杂的部分观测动态过程进行稳健、网格无关的建模。

Jul, 2023

本研究提出了一种名为 latentPINN 的框架，通过将偏微分方程（PDE）参数的潜在表示作为额外的输入进行 PINN 模型的训练，使用两个阶段的训练来学习 PDE 参数的潜在表示，并通过在解决区域内随机生成空间坐标和 PDE 参数值的样本进行物理感知神经网络的训练，试验结果表明该方法在不需要任何额外训练的情况下可以很好地适用于不同的 PDE 参数。

May, 2023