通过将 Monte Carlo 分数 PINN（MC-fPINN）扩展到温和分数 PDE，我们提出了 Monte Carlo 温和分数 PINN（MC-tfPINN），以应对这些问题，从而在非常高的维度中在准确性和收敛速度方面始终优于原始版本。

Jun, 2024

我们提出了一种基于随机化的物理信息神经网络（rPINN）方法，用于不确定性量化和含有噪声数据的反向偏微分方程（PDE）问题。通过对 PINN 损失函数进行随机化来解决贝叶斯 PINN（BPINN）方法中 Hamiltonian Monte Carlo（HMC）方法无法收敛的问题，该方法在线性和非线性 Poisson 方程以及高维空间相关扩散系数的扩散方程中得出了信息丰富的分布。

Jul, 2024

本研究提出了一种称为 Laplace-based fractional physics-informed neural networks (Laplace-fPINNs) 的新方法，通过避免引入大量辅助点和简化损失函数有效解决高维分数扩散方程的正演和反演问题。数值结果证明，Laplace-fPINNs 方法能够有效地解决高维分数扩散方程的正演和反演问题。

Apr, 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

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

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

本文通过使用 Schwarz 交替方法将物理信息神经网络 (PINNs) 与传统数值模型进行耦合，探索了在非线性偏微分方程中加速神经网络训练的方法，并在一维平流 - 扩散方程中验证了该方法对提高 PINN 训练的有效性。

Nov, 2023

该研究论文介绍了物理知识驱动的神经网络在求解偏微分方程中的应用，并提出了一种新的区域优化训练范式，通过在连续邻域区域进行模型优化，有效降低了模型的泛化误差，尤其对于高阶约束的偏微分方程。该新范式产生了一种实用的训练算法 RoPINN，通过简单且有效的 Monte Carlo 抽样方法在信任区域内平衡了抽样效率和泛化误差。实验证明，RoPINN 显著提升了各种 PINNs 在多种偏微分方程上的性能，而无需额外的反向传播或梯度计算。

May, 2024

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

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