通过物理信息神经网络（PINNs）整合物理规律的先验知识，本研究提出了一种新颖的方法用于加速电力系统状态估计，以监测电力系统的运行情况。该方法在保持高准确性的同时，显著降低了状态估计的计算复杂性，实验证明其准确度提高了 11％，结果的标准偏差降低了 75％，收敛速度提高了 30％。

Oct, 2023

利用物理信息神经网络（PINN）解决离散时间的非线性观测者状态估计问题，通过解决一个非齐次泛函方程组来学习非线性状态转换映射。通过两个说明性案例研究评估了所提出的 PINN 方法的性能，并与传统的基于幂级数数值实现方法进行了不确定性量化分析。

Feb, 2024

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

本文使用物理约束力学知识和机器学习方法开发了一种多网络的物理信息神经网络（PINN），用于模拟地震运动和推断地震断裂参数，以评估地震灾害。

Dec, 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

给定一些稀疏和 / 或嘈杂的数据，本文提出了一种纠正 PINNs 中模型错误的通用方法，使用其他深度神经网络 (DNNs) 建模模型偏差和观测数据之间的差异，从而扩展了 PINNs 在未知物理过程的复杂系统中发现规律方程的应用。

Oct, 2023

通过对模型设计的多次修改，引入了第三代物理信息神经网络重力模型（PINN-GM-III）来解决外推误差、对低空样本的偏见、高空数值不稳定性和符合边界条件等关键模型挑战。该模型经过对已知异质密度小行星进行建模，通过七个核心指标对其性能进行评估，展示了其对前任模型和其他解析和数值重力模型的优势。

Dec, 2023

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

化学工程中，使用物理信息的神经网络模型可以有效地进行过程建模，尤其对于缺乏实验数据和部分未知机理描述的情况下，其推断未测状态的准确性较高且泛化能力强，可作为一种有前景的研究方向进行深入探究。

Jun, 2024

本文介绍了基于物理知识的神经网络（Physics-Informed Neural Networks）可以用于预测无法通过物理工具观测到的关键参数，并提出了一种称为 AutoPINN 的框架，以自动化设计基于物理知识的神经网络模型，该模型结合了自动机器学习技术和针对特定资源限制的搜索策略，可以提高模型准确度，减少设计时间。

Dec, 2022