Lagrangian PINNs: A causality-conforming solution to failure modes of physics-informed neural networks
Rice University(莱斯大学)
物理信息神经网络(PINNs)利用神经网络来求解具有初始条件和边界条件作为软约束的偏微分方程(PDE)约束优化问题。这些软约束通常被认为是PINN训练阶段复杂性的来源。在这里,我们证明了训练的挑战(i)即使在严格执行边界条件的情况下仍然存在,(ii)与证明运输,对流,行波或移动前沿的问题相关的Kolmogorov n宽度密切相关。考虑到这一点,我们描述了训练方案的机制,例如扩展PINN(XPINN),课程正规化和序列到序列学习中使用的训练方案。对于一类重要的偏微分方程,即,由非线性对流扩散方程控制,我们建议在拉格朗日参考系上重新制定PINN,即,LPINN,作为PDE知情的解决方案。提出了一种双分支并行结构。一个分支求解特性上的状态变量,第二个分支求解低维特性曲线。所提出的架构符合对流固有的因果关系,并利用域中信息的传播方向。最后,我们证明了LPINNs的损失景观是不太敏感的所谓的“复杂性”的问题,相比,在传统的PINNs的欧拉框架。
2022-05-05 cs.CE cs.LG cs.NA
Estimates on the generalization error of Physics Informed Neural Networks (PINNs) for approximating PDEs
ETH Zürich(苏黎世联邦理工学院)
针对 PINNs 求解 PDE 正问题,本文建立抽象框架并利用 PDE 稳定性,给出以训练误差和样本数表示的严格泛化误差上界,且通过非线性 PDE 示例与数值实验验证。
2023-12-06 cs.LG cs.NA math.AP
Observation-Aligned Two-Stage Domain Decomposition for Physics-Informed Traffic State Estimation with Sparse Fixed Sensors
Lyles School of Civil and Construction Engineering, Purdue University(普渡大学土木与建设工程学院)
本文提出自适应域分解物理信息神经网络(ADD-PINN),通过残差引导框架实现基于LWR模型的离线速度场重建,在稀疏传感器数据下取得更低的L2误差和更快的训练速度。
2026-09-04 cs.LG cs.SY eess.SY
Estimates on the generalization error of Physics Informed Neural Networks (PINNs) for approximating a class of inverse problems for PDEs
ETH Zürich(苏黎世联邦理工学院)
针对PDE数据同化与唯一延拓反问题,论文建立抽象框架并利用条件稳定性证明PINN泛化误差估计,辅以四类线性PDE示例和数值实验验证。
2023-12-06 cs.LG cs.NA math-ph
Unified generalization analysis for physics informed neural networks
NTT, Inc.(NTT公司);RIKEN AIP(理化学研究所AIP)
本文基于物理信息神经网络和变分PINNs,推导出包含输入变量微分的神经网络泛化界,通过泰勒展开将非线性微分算子转化为高维空间的线性算子,展示高阶网络在微分算子场景下的泛化能力,并指出非线性算子对泛化的影响。
2026-05-13 cs.LG math.AP math.FA
Differentiable FEM versus PINN for pavement layer inverse analysis: enforcing physics as hard or soft constraints
KAIST(韩国科学技术院)
本文批判性评估了物理信息神经网络(PINN)在多层路面系统落锤式弯沉仪(FWD)反分析中的表现,并提出可微有限元方法(DiffFEM)作为更准确、稳定和高效的替代方案。
2026-10-27 cs.CE cs.LG cs.NA
Error analysis for physics informed neural networks (PINNs) approximating Kolmogorov PDEs
ETH Zürich(苏黎世联邦理工学院)
物理学通过最小化逐点残差来告知神经网络偏微分方程的近似解。我们推导出严格的误差界,所招致的PINNs近似的解决方案的一大类线性抛物型偏微分方程,即Kolmogorov方程,包括热方程和Black-Scholes方程的期权定价,作为例子。我们构造神经网络,其PINN残差(泛化误差)可以尽可能小。我们还证明了总的$L^2$错误可以有界的泛化误差,这反过来又是有界的训练误差,提供了足够数量的随机选择的训练(搭配)点使用。此外,我们证明了PINN的大小和训练样本的数量只与底层维度呈多项式增长,使PINN能够克服这种情况下的维数灾难。这些结果使我们能够提供一个全面的误差分析PINNs近似Kolmogorov偏微分方程。
2021-07-10 cs.LG cs.NA math.NA
Tackling Failure Modes of PINNs and PIKANs Using Conflict-Free Gradients
Worcester Polytechnic Institute(伍斯特理工学院);Sandia National Laboratories(桑迪亚国家实验室)
本研究提出Norm-PCGrad梯度手术方法,解决PINN和PIKAN在域分解中的冲突梯度问题,实现最低相对L2误差,并引入SPINN降低计算成本,验证了方法的通用性。
2026-09-17 cs.LG
SPIKE: Sparse Koopman Regularization for Physics-Informed Neural Networks
SPIKE通过连续时间Koopman算子正则化PINNs,学习稀疏动力学表示,提升时间外推、空间泛化和长期预测精度。
2026-01-16 cs.AI cs.CE cs.LG
Optimization and generalization analysis for two-layer physics-informed neural networks without over-parametrization
School of Mathematical Sciences(数学科学学院);University of Electronic Science and Technology of China(电子科技大学)
本文在避免过度参数化的假设下,分析了两层物理信息神经网络中随机梯度下降的优化与泛化性能,证明网络宽度只需超过与ε和问题相关的阈值即可使训练损失和期望损失降至O(ε)以下。
2025-07-22 cs.LG
Physics-informed ConvNet: Learning Physical Field from a Shallow Neural Network
Xi'an University of Architecture and Technology(西安建筑科技大学);Xidian University(西安电子科技大学)
基于大数据的人工智能(AI)支持几乎所有科学和技术的深刻演变。然而,由于不可避免的数据稀缺和噪声,建模和预测多物理系统仍然是一个挑战。通过“教授”领域知识来提高神经网络的泛化能力,并结合物理规律开发新一代模型,已成为机器学习研究的一个很有前途的领域。与“深”的嵌入物理信息的全连接神经网络(PINN)不同,从CNN的角度提出了一种新的浅层物理信息卷积网络(PICN)框架,其中物理场由一个去卷积层和一个卷积层生成.使用预训练的浅卷积层来构造形成物理算子的差场。一个有效的线性插值网络计算的损失函数涉及边界条件和物理约束的不规则的几何域。目前的发展的有效性说明通过一些数值的情况下,涉及非线性物理算子方程的求解(和估计)和恢复的物理信息从噪声观测。PICN在逼近具有多频率分量的物理场方面的潜在优势表明,PICN可能成为物理信息机器学习中的另一种神经网络求解器。
2022-02-07 cs.LG cs.NA math.NA
Non-Asymptotic Stability and Consistency Guarantees for Physics-Informed Neural Networks via Coercive Operator Analysis
Department of Mathematics, Kabale University(卡贝大学数学系);Department of Mathematics, Makerere University(Makerere大学数学系)
通过强制算子、变分公式和非渐近扰动理论,建立物理信息神经网络(PINN)的稳定性和一致性的统一理论框架,证明残差最小化在Sobolev范数下导致能量和一致范数收敛,并给出确定性稳定性界和概率样本复杂度保证。
2026-11-02 cs.LG cs.NA math.FA
Numerical analysis of physics-informed neural networks and related models in physics-informed machine learning
ETH Zürich(苏黎世联邦理工学院);Seminar for Applied Mathematics(应用数学研讨会);ETH AI Center(苏黎世联邦理工学院人工智能中心)
本文系统综述了物理信息神经网络及其相关模型在偏微分方程数值模拟中的误差分析理论,统一分析逼近、泛化与训练误差,并指出训练误差是影响整体性能的关键瓶颈。
2024-01-30 cs.LG cs.NA math.NA
Numerical Methods For PDEs Over Manifolds Using Spectral Physics Informed Neural Networks
Tel Aviv University(特拉维夫大学)
提出谱物理信息神经网络求解流形上PDE,架构对齐谱方法,优于标准架构,并在热方程及球面、环面非线性方程上验证,含大规模泛化实验。
2023-09-03 cs.LG cs.NA math.NA
Physics-Informed Graph-Mesh Networks for PDEs: A hybrid approach for complex problems
MICS, CentraleSupélec, Université Paris Saclay(巴黎萨克雷大学中央高等电力学院MICS实验室);Transvalor S.A.(特兰斯瓦尔公司)
针对物理信息神经网络在复杂几何、泛化及自动微分方面的局限,提出融合图神经网络与有限元数值核的混合PDE求解框架,并通过理论分析、消融实验及二三维复杂几何测试验证其泛化能力。
2024-09-25 cs.LG cs.NA math.NA
PIGNet: A physics-informed deep learning model toward generalized drug-target interaction predictions
KAIST(韩国科学技术院);HITS incorporation(HITS 公司);KI for Artificial Intelligence, KAIST(韩国科学技术院人工智能研究院)
最近,基于深度神经网络(DNN)的药物-靶点相互作用(DTI)模型因其高精度和可负担的计算成本而备受关注。然而,在计算机药物发现的实践中,模型的泛化不足仍然是一个具有挑战性的问题。我们提出了两个关键的策略,以提高泛化的DTI模型。第一种是通过神经网络参数化的物理学方程预测原子-原子成对相互作用,并提供蛋白质-配体复合物的总结合亲和力作为它们的总和。我们通过将更广泛的绑定姿势和配体扩展到训练数据来进一步改进模型泛化。我们在2016年的评分函数比较评估(CASF)中验证了我们的模型PIGNet,证明了比以前的方法更好的对接和筛选能力。我们的物理信息策略还可以通过可视化配体亚结构的贡献来解释预测的亲和力,为进一步的配体优化提供见解。
2021-12-13 cs.LG q-bio.BM
Wasserstein Generative Adversarial Uncertainty Quantification in Physics-Informed Neural Networks
The University of Hong Kong(香港大学)
本文研究了Wasserstein生成对抗网络(WGANs)的一种基于物理信息的算法,用于量化偏微分方程解的不确定性。通过在对抗网络鉴别器中使用groupsort激活函数,网络生成器被用来学习从初始/边界数据观察到的偏微分方程解的不确定性。在适当的假设条件下,证明了当样本个数足够大时,计算生成器的泛化误差以很高的概率收敛于网络的逼近误差.根据我们建立的误差界,我们还发现,我们的物理信息WGAN有更高的要求,鉴别器的能力比发生器。通过对偏微分方程的合成实例进行数值计算,验证了我们的理论结果,并展示了如何对偏微分方程的解和初始/边界数据的分布进行不确定性量化。然而,不确定度量化理论在国内各点的质量或准确性仍是理论上的空白,有待于进一步研究。
2022-08-09 cs.LG cs.NA math.NA
Self-scalable Tanh (Stan): Faster Convergence and Better Generalization in Physics-informed Neural Networks
Virginia Tech(弗吉尼亚理工大学);University of Michigan(密歇根大学)
物理信息神经网络(PINN)在工程和科学文献中越来越受到关注,用于解决天气建模,医疗保健,制造等应用中的一系列微分方程。可扩展性差是利用PINN解决许多现实问题的障碍之一。为了解决这一问题,提出了一种自可扩展的双曲正切(Stan)激活函数的PINN。所提出的Stan函数是光滑的,非饱和的,并且具有可训练的参数。在训练过程中,它可以允许简单的梯度流来计算所需的导数,并且还可以实现输入-输出映射的系统缩放。理论分析表明,当使用梯度下降算法时,具有所提出的Stan函数的PINN没有伪稳定点。建议斯坦进行测试的数值研究,涉及一般的回归问题。它随后被用于解决多个正问题,其中涉及二阶导数和多个维度,以及一个逆问题,其中杆的热扩散率预测与热传导数据。这些案例研究经验地建立了Stan激活函数可以实现比文献中现有的激活函数更好的训练和更准确的预测。
2022-04-29 cs.LG cs.NE
Physics-Informed Machine Learning for Grade Prediction in Froth Flotation
Aalto University(阿尔托大学)
本文提出将泡沫浮选经典数学模型与深度学习结合构建物理信息神经网络,以提升金精矿品位预测的泛化能力,并在两个浮选槽模拟数据上验证其优于纯数据驱动模型。
2024-08-12 cs.CE cs.LG
Dual-Level Models for Physics-Informed Multi-Step Time Series Forecasting
Department of Electrical Engineering and Automation, Aalto University(电气工程与自动化系,阿尔托大学);ELLIS Institute Finland, Aalto University(芬兰ELLIS研究所,阿尔托大学)
本文提出双层模型,结合概率输入预测与物理信息神经网络,提升动态系统多步时间序列预测的准确性和泛化能力。
2026-01-12 cs.LG stat.ML
Enforcing boundary conditions for physics-informed neural operators
Chair Computational Mathematics, Institute of Mathematics, Hamburg University of Technology(计算数学主任,数学研究所,汉堡技术大学)
针对现有强施加Neumann/Robin边界条件的方法对边界光滑度要求高、在分段光滑边界上易不稳定的问题,研究推广了已有方法并提出基于正交投影的新方法,在两类方程上验证了其性能。
2025-10-28 cs.LG cs.NA math.NA
Physics-informed neural networks for pathloss prediction
Siemens AG(西门子股份公司)
本文提出一种用于路径损耗预测的物理信息机器学习方法,通过在训练中结合空间损耗场物理依赖与实测路径损耗数据,以少量网络参数提升泛化与预测性能,实现快速推理,且适配小训练数据场景。
2023-12-14 cs.IT cs.LG math.IT
Advancing Generalization in PINNs through Latent-Space Representations
Tsinghua University(清华大学)
针对物理信息神经网络(PINNs)泛化能力有限的问题,提出新型求解器 PIDO,通过 latent 空间投影与正则化技术提升其在不同 PDE 配置下的泛化性、时间外推性能和训练稳定性,并验证了其在基准测试及下游任务中的有效性。
2024-11-28 cs.LG
Physics-Informed Neural Networks and Neural Operators for Parametric PDEs
The 1st International Conference on AI Scientists(第一国际人工智能科学家会议)
本研究提出利用具有物理信息的神经网络和神经算子高效求解参数偏微分方程,通过比较不同方法展示神经算子在多查询场景中的显著速度优势。
2026-01-30 cs.LG stat.ML
Residuals Are Not Enough: Limits of Physics-Informed Pre-Training for Scientific Foundation Models
University of Stuttgart(斯图加特大学);ICSI(国际科学应用公司);LBNL(劳伦斯伯克利国家实验室);University of California, Berkeley(加州大学伯克利分校)
提出将PDE残差纳入预训练以增强科学基础模型的泛化性与鲁棒性,在三个基准上优于仅用解数据训练的模型。
2026-10-01 cs.LG
PIKFNO: An Interpretable Neural Operator Based on Physics Informed Kernel Function
本研究提出PIKFNO框架,通过物理信息核函数约束主干网络,采用两种核函数构建策略,在有限训练数据下提升了神经算子的预测精度、可解释性与泛化性能,为开发高性能可解释神经算子提供新路径。
2026-08-18 cs.LG
Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control
Aarhus University(奥胡斯大学);EIVA a/s(艾瓦公司)
本研究提出带控制的物理信息神经网络(PINC)框架的开源实现,利用初始状态、控制动作和时间输入对水下航行器动力学进行建模,实现训练域外的物理一致过渡,在模拟中比非物理信息基线具有更准确的长时程预测。
2025-04-28 cs.AI cs.LG cs.RO
Self-induced stochastic resonance: A physics-informed machine learning approach
Department of Data Science, Friedrich-Alexander-Universit\"at Erlangen-N\"urnberg, N\"urnberger Str. 74, 91052 Erlangen, Germany
本文提出了一种融合物理的机器学习方法,用于建模和预测随机FitzHugh-Nagumo神经元中的自诱导随机共振,通过整合物理约束和数据保真度,提高了预测准确性和计算效率。
2026-01-28 cs.LG nlin.AO stat.ML
RoPINN: Region Optimized Physics-Informed Neural Networks
Tsinghua University(清华大学)
本文提出区域优化范式及RoPINN算法,通过蒙特卡洛采样将PINNs优化从散点扩展到连续邻域,在不增加反向传播或梯度计算的情况下提升多种PDE求解性能。
2024-10-23 cs.LG
PhysAttNet: Enhancing Predictive Performance in Industrial and Astrophysical Time Series via Physics-Informed Attention
Faculty of Physics and Astronomy, Ruhr University Bochum(鲁尔大学波鸿分校物理与天文学学院);Virtual Machining Group, TU Dortmund(多特蒙德工业大学虚拟加工组);Faculty of Physics(物理学院)
本文提出PhysAttNet,一种物理信息注意力框架,通过三种物理引导的正则化改进轻量型CNN预测器,在铣削切削力和blazar耀斑预测任务中提升了时间序列预测的精度、泛化性及对关键事件的性能。
2026-08-11 cs.LG physics.data-an
Physics-Informed Neural Networks with Hard Linear Equality Constraints
Davidson School of Chemical Engineering, Purdue University(普渡大学戴维森化学工程学院)
提出KKT-hPINN,通过源自KKT条件的投影层严格保证硬线性等式约束,提升代理模型的预测精度。
2024-02-11 cs.LG math.OC
Energy-Guided Learning for Heat Equation with Noisy Source: Optimal Estimation and Generalization Bounds
University of Southern California(南加州大学);California Institute of Technology(加州理工学院)
该研究针对带噪声源项的热方程,提出能量引导学习方法,推导了最优估计与泛化界,数值实验显示其测试误差较物理信息神经网络方法大幅降低。
2026-10-14 cs.LG math.ST stat.ME
Evolutionary Optimization of Physics-Informed Neural Networks: Evo-PINN Frontiers and Opportunities
Agency for Science, Technology and Research (A*STAR)(科技研究局);Indian Institute of Technology (IIT) Goa(印度理工学院 Goa分校);Nanyang Technological University(南洋理工大学)
本文探讨了物理信息神经网络的进化优化方法,提出利用进化算法改进模型训练速度、精度和泛化能力,以推动物理人工智能的发展。
2026-01-01 cs.CE cs.LG cs.NE
Attention-enhanced neural differential equations for physics-informed deep learning of ion transport
Center for Computational Science and Engineering(计算科学与工程中心);Massachusetts Institute of Technology (MIT)(麻省理工学院)
本文提出结合电中性归纳偏置的注意力增强神经微分方程框架,用于建模纳米多孔膜中的离子输运,并验证其在泛化、离子配对关系揭示及复杂输运建模上优于传统 PDE 方法。
2023-12-05 cs.LG math-ph math.MP
Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对PINNs在复杂速度模型多频波场建模中收敛慢、泛化差的问题,提出结合SVD低秩分解、频率嵌入超网络与元学习的Meta-LRPINN框架,实现高效频率自适应波场表示,显著提升收敛速度、精度及对分布外频率的泛化能力。
2025-02-02 cs.LG physics.geo-ph
An Advanced Physics-Informed Neural Operator for Comprehensive Design Optimization of Highly-Nonlinear Systems: An Aerospace Composites Processing Case Study
Quantiphi(昆泰菲科技)
针对航空航天复合材料加工等强非线性、多输入函数系统,本文提出融合非线性解码器、课程学习与区域分解的先进物理信息 DeepONet,显著提升高维设计空间预测精度并支持零样本优化。
2024-06-20 cs.LG
Towards Optimally Weighted Physics-Informed Neural Networks in Ocean Modelling
Inria Chile Research Center(法国国家信息与自动化研究所智利研究中心)
世界海洋的碳泵在地球的生物圈和气候中发挥着至关重要的作用,敦促人们更好地了解海洋的功能和影响,以进行气候变化分析。需要最先进的技术来开发能够捕捉洋流和温度流动复杂性的模型。这项工作探讨了使用物理信息神经网络(PINNs)解决与海洋建模相关的偏微分方程的好处,如Burgers,波浪和对流扩散方程。我们探讨了在PINN中使用数据与物理模型求解偏微分方程的权衡。PINN解释了与物理定律的偏离,以提高学习和泛化能力。我们观察了损失函数中数据和物理模型之间的相对权重如何影响训练结果,其中小数据集从添加的物理信息中受益更多。
2021-06-16 cs.LG cs.NE physics.ao-ph
Physics-informed Partitioned Coupled Neural Operator for Complex Networks
本文提出物理信息分区耦合神经算子PCNO,通过联合卷积算子和网格对齐层建模多子区域耦合系统,在气体网络上实现高精度、强泛化且低复杂度的模拟。
2024-10-28 cs.CE cs.LG physics.comp-ph
PTL-PINNs: Perturbation-Guided Transfer Learning with Physics- Informed Neural Networks for Nonlinear Systems
Department of Earth Science and Engineering, Imperial College(帝国理工学院地球科学与工程系);Harvard John A. Paulson School Of Engineering And Applied Sciences(哈佛大学约翰·A·保罗森工程与应用科学学院)
PTL-PINNs结合扰动理论与迁移学习,高效求解非线性系统,精度与龙格-库塔方法相当,速度提升一个数量级。
2026-01-17 cs.LG
PIANO: Physics-informed Dual Neural Operator for Precipitation Nowcasting
California Institute of Technology(加州理工学院);TelePIX Seoul(首尔TelePIX)
PIANO通过结合物理约束和神经算子提升降水nowcasting的准确性和一致性,实现对中等及强降水事件的有效预测。
2025-11-30 cs.AI cs.LG
Physics-Informed Spiking Neural Networks via Conservative Flux Quantization
本文提出了一种基于保守通量量子化的物理指导脉冲神经网络框架,通过设计保守泄漏积分-放电神经元和保守通量量子化策略,实现了严格的物理守恒和稳健的时间泛化,解决了传统PINNs在物理守恒和长期泛化上的不足。
2025-11-26 cs.LG
Informed Forecasting: Leveraging Auxiliary Knowledge to Boost LLM Performance on Time Series Forecasting
Texas A&M University(德克萨斯A&M大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出跨域知识迁移框架,将结构化时间信息注入大语言模型以提升时间序列预测的准确性和泛化能力,实验证明其显著优于无辅助信息的基线。
2025-09-25 cs.LG stat.AP
Unsupervised Physics-Informed Operator Learning through Multi-Stage Curriculum Training
organization= Department of Civil;organization= QC Ware Corp. , city= Paris , country= France;organization= Department of Computer Science, KTH Royal Institute of Technology , city= Stockholm , country= Sweden;organization= IRIF, CNRS \& Université Paris Cité , city= Paris , country= France
本文提出了一种多阶段课程训练策略和物理信息样条傅里叶神经运算,通过逐步强化边界条件和内部残差,实现稳定收敛并提升泛化能力。
2026-02-02 cs.AI cs.LG
Meta-Learning and Knowledge Discovery based Physics-Informed Neural Network for Remaining Useful Life Prediction
Dalian University of Technology(大连理工大学)
针对旋转机械RUL预测中目标域数据稀缺、退化动力学不明确的问题,提出MKDPINN,通过HSM映射数据、PGR学习物理约束并结合元学习,在工业数据和C-MAPSS基准上泛化性与准确性优于基线,解决数据稀缺下的预测难题。
2025-04-18 cs.AI cs.LG
Latent PDE mapping for efficient physics-informed learning across geometries with limited data
Faculty of Health and Technology, Kristiania University of Applied Sciences(健康与技术学院,克里斯蒂安尼亚应用科学大学);Simula Research Laboratory(西穆拉研究实验室)
研究提出潜在偏微分方程映射技术,用于有限数据下跨几何的物理信息学习。通过变形梯度处理特定几何的偏微分方程残差等,在解决阿利耶夫 - 潘菲洛夫偏微分方程时效果显著,能降低误差且训练计算成本适中,有助于创建可泛化模型。
2026-07-27 cs.LG physics.comp-ph
DimINO: Dimension-Informed Neural Operator Learning
针对神经算子模型依赖大型架构的问题,提出维度信息框架DimINO,含DimNorm与重维度化组件,理论证明通用逼近与相似变换不变性,实验在PDE数据集上最高提升76.3%。
2025-09-25 cs.LG
Improved physics-informed neural network in mitigating gradient related failures
College of Applied Mathematics, Chengdu University of Information Technology(成都信息工程大学应用数学学院);College of Mathematics, Sichuan University(四川大学数学学院);School of Sciences, Southwest Petroleum University(西南石油大学理学院)
本文提出改进的物理信息神经网络I-PINN,通过结合改进的架构与含上界的自适应权重,有效缓解梯度流刚性导致的预测受限问题,在不增加计算复杂度下将精度提升至少一个数量级并加速收敛。
2024-07-28 cs.LG
Can physical information aid the generalization ability of Neural Networks for hydraulic modeling?
Roma Tre University(罗马第三大学)
针对河流水力学数据稀缺导致纯数据驱动神经网络预测能力不足的问题,提出无需借助偏微分方程、以软物理信息为约束的神经算子方法,可提升模型预测能力。
2024-03-13 cs.LG physics.flu-dyn
Physics-Informed Neural Networks with Learnable Loss Balancing and Transfer Learning
Texas A&M University(德克萨斯大学A&M分校)
本文提出了一种自监督的物理信息神经网络框架,通过动态平衡物理约束和数据驱动监督来提升科学机器学习在数据稀缺情况下的性能。该方法引入了可学习的混合神经元,以适应性调整各项的贡献,从而提高训练稳定性与泛化能力,并结合迁移学习策略提升效率。
2026-04-17 cs.AI cs.LG
Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes
Terra Quantum AG(Terra量子公司);Evonik Operations GmbH(赢创运营有限公司)
针对复杂几何形状流体仿真计算成本高的问题,提出结合量子模型表达力与物理信息神经网络灵活性的混合量子物理信息神经网络,在三维Y形混合器层流模拟中精度较纯经典网络提升21%,助力高效可靠的流体动力学求解器开发。
2024-07-14 cs.LG physics.flu-dyn quant-ph
Physics-Informed Machine Learning in Biomedical Science and Engineering
本文综述了物理信息机器学习在生物医学领域的三大框架(PINNs、NODEs、NOs),强调其应对数据稀缺和复杂系统的优势,并指出未来挑战包括不确定性量化及与语言模型集成。
2025-10-06 cs.AI cs.LG q-bio.QM
Geometry-Aware Physics-Informed PointNets for Modeling Flows Across Porous Structures
Università degli Studi di Milano-Bicocca(米兰-比科卡大学);Khalifa University of Science and Technology(卡利法科学技术大学);Università Cattolica del Sacro Cuore(圣心大学)
本文提出基于物理信息学习的点网和几何意识神经操作符,用于建模多孔结构中同时通过和绕过的流体流动,展示其在泛化和精度方面的有效性。
2026-02-15 cs.LG physics.flu-dyn
Generalization Bounds for Physics-Informed Neural Networks for the Incompressible Navier-Stokes Equations
Department of Computer Science, The University of Manchester(曼彻斯特大学计算机科学系)
本文研究了通过无监督物理信息神经网络框架训练深度2神经网络近似不可压缩纳维-斯托克斯方程解的泛化误差上界,基于Rademacher复杂性分析,得出与网络宽度无关的样本复杂度界,并提出新的激活函数。
2026-03-24 cs.LG cs.NA math.AP
DeepONet for Solving Nonlinear Partial Differential Equations with Physics-Informed Training
School of Mathematics, Georgia Institute of Technology(佐治亚理工学院数学系)
该研究评估 DeepONet 在物理信息训练下求解非线性 PDE 的 branch/trunk 设计,并基于 Rademacher 复杂度与 pseudo-dimension 给出 Sobolev 范数泛化误差界。
2025-09-28 cs.LG cs.NA math.NA