本文提出一种新的深度神经网络PDE-Net 2.0，利用先前成果基于微分算子卷积数值逼近及符号多层神经网络模型恢复，从大量动态数据中探索时变偏微分方程(PDEs)的复杂性及本质特点，具有较高的灵活性和表达能力，研究实验证明PDE-Net 2.0对于探测并预测噪声环境下的隐藏式动态过程有很好的潜力。

Nov, 2018

提出一个新的基于物理约束的卷积-循环神经网络（PhyCRNet和PhyCRNet-s）框架来解决非线性偏微分方程（PDEs），并且在3个非线性PDEs数值求解的实验中表现出了优越的解决精度、外推性和泛化性能。

Jun, 2021

本文对深度神经网络用于偏微分方程(PDEs)求解的现状和潜在应用进行了综述，分析和分类了相关方法在科学研究和工程场景中的应用，介绍了这一领域的来源、历史、特点、类型以及未来趋势。

Oct, 2022

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

基于时间依赖的偏微分方程，神经PDE求解器，时域展开策略，扩散模型和PDE-Refiner是该论文的五个关键词，通过多步细化过程实现对所有频率分量的准确建模，提供稳定准确的结果，优于现有模型，并通过去噪目标实现新颖的频谱数据增强。

Aug, 2023

近年来，神经网络应用于求解偏微分方程，作为传统数值方法的替代品，这在这个有百年历史的数学领域中被认为是潜在的范式转变。然而，从实际应用的角度来看，计算成本仍然是一个重要的瓶颈。在神经PDE求解器中，我们采用了最先进的量化方法来降低计算成本的潜力。我们展示了在保持性能的同时，通过量化网络权重和激活可以成功降低推理的计算成本。我们在四个标准PDE数据集和三个网络架构上的结果表明，量化感知训练适用于各种设置和三个数量级的浮点运算。最后，我们通过实验证明，只有引入量化技术，才能几乎总是实现计算成本与性能之间的帕累托最优。

Aug, 2023

利用神经网络在粗粒化离散空间中学习系统的动力学，并通过降维简化了时间模型的训练过程，同时展示了与在全序空间上操作的神经PDE求解器相比，该方法具有竞争力的准确性和效率。

Feb, 2024

利用稀疏技术和随机采样的最新进展，本研究基于深度学习开发和分析了一个高维偏微分方程求解器，理论和数值结果表明其在稳定性和准确性方面可以与一个新型的压缩谱逼近方法竞争，并证明了存在一类可训练的深度神经网络，具有适当的网络结构和样本复杂度的充分条件，并以对数或最坏情况下的线性扩展在维度上稳定且准确地逼近扩散-反应型偏微分方程的高概率。

Jun, 2024

通过使用生成扩散模型，我们引入了一个解决偏微分方程（PDEs）的通用框架，特别关注在没有足够知识的情况下应用经典解算器的场景，并提出了DiffusionPDE方法，可同时填补缺失信息并解决PDE问题，通过建模解空间和系数空间的联合分布，学得的生成先验能够准确解决多种偏微分方程在部分观测下的情况，明显优于现有前向和反向PDE方法。

Jun, 2024

本研究解决了现有神经模型在复杂条件下预测时空动态的不足，提出了一种新的图学习方法——物理编码消息传递图网络（PhyMPGN），该方法能够在小规模训练数据下有效建模不规则网格上的时空偏微分方程系统。实验结果表明，PhyMPGN在粗糙的非结构化网格上能够准确预测多种时空动态，并且在性能上超越了其他基线方法。

Oct, 2024