基于物理信息神经网络（PINN）的新框架用于识别软材料的本构参数，尤其是在平面应力条件下表现出复杂的本构行为，我们的模型强调使用多模态时变实验数据集训练 PINN，确保算法的鲁棒性，即使在嘈杂的数据中，我们的框架仍能准确识别具有复杂几何形状的样品的不可压亚 - 博伊斯模型的本构参数，保持误差在 5% 以下。

Aug, 2023

应用了物理启发式神经网络来解决非线性、路径依赖性材料行为的本构关系，该模型除了满足所有热力学约束条件外，还能够在不需要初始数据的情况下即时提供有关当前材料状态的信息，并提供了降低正切算子所需导数阶数的策略。

Apr, 2023

基于物理信息神经网络（PINNs）与三维柔性组织非线性生物力学模型的结合，本研究提出了一种新的方法，能够重建位移场并估算异质病人个体的生物物理特性，通过在临床环境中常规获取的有限位移和应变数据，结合问题的物理性质和偏微分方程的数学模型，提高问题的稳定性和收敛性能，进而在疾病诊断等方面发展个性化的模拟模型，并演示了 PINN 能够检测瘢痕组织的存在、位置和严重程度的能力。

Dec, 2023

利用符合预测框架的一致预测神经网络（C-PINNs），量化 PINNs 的不确定性，通过提供具有有限样本、无分布统计有效性的区间，解决常规 PINNs 不提供不确定性量化的问题。

May, 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

通过使用随机数据和 dropout 法来分别表示参数不确定性和近似不确定性，将经典的 PINN（物理信息神经网络）与 NN-aPC 的推广相结合，扩展了我们的工作到多维随机偏微分方程。

Sep, 2018

本文采用物理信息神经网络 (PINNs) 和合成数据推断生物材料的特性，特别是我们成功地应用于推断血栓渗透性和粘弹性模量，验证了该模型在噪声合成数据中的鲁棒性。

May, 2020

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

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