Physics-informed learning under mixing: How physical knowledge speeds up learning
Institute for Dynamic Systems and Control, ETH Zürich(动态系统与控制研究所,苏黎世联邦理工学院);Department of Electrical Engineering, Columbia University(电气工程系,哥伦比亚大学)
本文研究依赖数据下物理先验对学习速率的影响,通过分析带物理信息正则化的经验风险最小化,证明对齐的物理先验可将速率提升至最优i.i.d.水平。
2025-09-29 cs.LG cs.SY eess.SY
Physics-informed features in supervised machine learning
MIDA, Dipartimento di Matematica, Università di Genova(基因瓦大学数学系)
本研究提出物理信息特征方法,利用物理定律和量纲分析构建非线性特征映射,增强模型可解释性,提升回归与分类性能,并支持物理规律发现。
2025-04-23 cs.LG cs.NA math.NA
PhyPlan: Generalizable and Rapid Physical Task Planning with Physics Informed Skill Networks for Robot Manipulators
IIT Delhi(印度理工学院德里分校)
本文提出PhyPlan框架,结合物理先验神经网络与改进的蒙特卡洛树搜索,使机器人能快速、高效地推理并执行动态物理任务,在降低遗憾值和提升数据效率上优于现有方法。
2024-04-22 cs.AI cs.LG cs.RO
Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications
Tsinghua University(清华大学);RealAI
数据驱动机器学习的最新进展已经彻底改变了计算机视觉、强化学习以及许多科学和工程领域。在许多现实世界和科学问题中,生成数据的系统受物理定律的支配。最近的工作表明,它提供了潜在的好处,机器学习模型,将物理先验和收集的数据,这使得机器学习和物理学的交叉成为一个流行的范例。通过无缝集成数据和数学物理模型,它可以引导机器学习模型找到物理上合理的解决方案,即使在不确定和高维环境中也能提高准确性和效率。在这项调查中,我们提出了这种学习范式称为物理信息机器学习(PIML),这是建立一个模型,利用经验数据和可用的物理先验知识,以提高性能的一组任务,涉及物理机制。本文从机器学习任务、物理先验的表示和物理先验的融合方法三个方面系统地综述了物理信息机器学习的最新发展。我们还提出了几个重要的开放式研究问题的基础上,在该领域的当前趋势。我们认为,将不同形式的物理先验编码到模型架构、优化器、推理算法和重要的特定领域应用(如逆向工程设计和机器人控制)中,在物理学信息机器学习领域还远未得到充分探索。我们相信,基于物理学的机器学习的跨学科研究将大大推动研究进展,促进创建更有效的机器学习模型,并为解决相关学科中长期存在的问题提供宝贵的帮助。
2023-03-07 cs.AI cs.CV cs.LG
Generalizing Analogical Inference from Boolean to Continuous Domains
本文提出了一种统一框架,用于实值域中的类比推理,涵盖布尔分类和回归,并推导了误差界限。
2025-11-27 cs.AI cs.LG
Physics-Informed Broad Learning System: An Efficient Backpropagation-Free Framework for Solving Partial Differential Equations
Indian Institute of Technology Gandhinagar(印度理工学院甘地讷格尔分校);Università degli Studi di Firenze(佛罗伦萨大学);Indian Institute of Technology Indore(印度理工学院印多尔分校)
研究提出物理信息广泛学习系统(PI-BLS)求解偏微分方程,将控制微分算子等嵌入线性输出层优化问题,以确定性最小二乘解取代非线性梯度训练,简化学习过程,实验显示其在减少训练时间和模型参数时性能更优。
2026-07-29 cs.AI cs.LG
Domain-informed explainable boosting machines for trustworthy lateral spread predictions
本文提出领域引导框架改进EBM的物理一致性,修正非物理行为,提升侧向扩展预测的可信度,精度损失可控在4-5%。
2026-03-17 cs.LG physics.geo-ph
Bond Graphs for multi-physics informed Neural Networks for multi-variate time series
IETR UMR CNRS 6164(电子与数字技术研究所(CNRS UMR 6164))
本文提出神经键合图编码器NBgE,将键合图多物理建模与消息传递图神经网络结合,生成多物理信息表示以统一数据和架构偏置,并在直流电机与呼吸系统上验证了多变量时间序列预测效果。
2024-08-02 cs.AI cs.LG
Physics-informed generative AI for semiconductor manufacturing: Enforcing hard physical constraints in generative models by construction
School of Electrical and Computer Engineering, University of Oklahoma(俄克拉荷马大学电气与计算机工程学院);Center for Quantum Research and Technology, University of Oklahoma(俄克拉荷马大学量子研究与技术中心);Intelligent Neuromorphic and Quantum Understanding for Innovative Research and Engineering (INQUIRE) Laboratory(创新研究与工程智能神经形态与量子理解实验室);Material Science and Engineering Program, University of Oklahoma, Norman, OK 73019 USA(俄克拉荷马大学材料科学与工程项目,Norman, OK 73019 USA)
针对半导体制造中生成模型必须满足硬物理约束的问题,本文提出通过构造集成物理信息(如物理信息扩散、PDE约束变分模型等)来强制约束,而非事后过滤,并给出四种集成模式和未来研究方向。
2026-06-11 cs.AI cs.AR cs.LG
Physics-Informed Echo State Networks for Chaotic Systems Forecasting
Technical University of Munich(慕尼黑工业大学);Institute for Advanced Study, Technical University of Munich(慕尼黑工业大学高等研究院);University of Cambridge(剑桥大学)
提出了一种基于物理信息的回声状态网络(ESN)来预测混沌系统的演化。与传统的ESN相比,基于物理的ESN被训练来解决监督学习任务,同时确保它们的预测不违反物理定律。这是通过在ESN的训练期间引入额外的损失函数来实现的,该损失函数在不需要任何额外训练数据的情况下惩罚非物理预测。这种方法被证明在一个混沌洛伦兹系统,其中的物理信息ESN提高了约两个李雅普诺夫时间相比,传统的ESN的可预测性地平线。所提出的框架显示了使用机器学习结合先验物理知识来提高混沌动力系统的时间精确预测的潜力。
2019-04-09 cs.ET cs.LG cs.NE
SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);Tencent AI Lab(腾讯AI实验室)
针对现有等变图神经网络物理归纳偏置不足的问题,提出二阶等变图神经常微分方程SEGNO,兼具二阶连续性与等变性,理论上轨迹误差有界,在多类物理系统任务上性能优于SOTA基线。
2024-03-12 cs.AI cs.LG
Uncertainty-Aware Diagnostics for Physics-Informed Machine Learning
Massachusetts Institute of Technology(麻省理工学院);University of Melbourne(墨尔本大学);University of California at Berkeley(加州大学伯克利分校)
物理信息机器学习(PIML)将通常以微分方程约束形式的先验物理信息集成到将机器学习模型拟合到物理数据的过程中。流行的PIML方法,包括神经算子,物理信息神经网络,神经常微分方程和神经离散平衡,通常适合同时包括数据和物理约束的目标。然而,这种方法的多目标性质在模型质量的测量中产生了模糊性。这与对认知不确定性的理解不佳有关,即使现有的统计指标表明很好的拟合,它也可能导致令人惊讶的失败模式。工作在一个高斯过程回归框架内,我们介绍了物理信息日志证据(PILE)得分。为了消除测试损失的模糊性,PILE分数是一个单一的、不确定性感知的度量,它为PIML模型的超参数提供了选择原则。我们表明,PILE最小化产生了各种各样的模型参数,包括内核带宽,最小二乘正则化权重,甚至核函数的选择很好的选择。我们还表明,即使在数据采集之前,一个特殊的“无数据”的情况下,PILE得分确定先验内核的选择,是“良好适应”一个给定的PDE。除了内核设置之外,我们预计PILE评分可以扩展到PIML,我们概述了这样做的方法。
2025-10-30 cs.LG stat.ML
Physical Informed Neural Networks for modeling ocean pollutant
Indiana Wesleyan University(印第安纳韦斯利大学);Vizuara AI Labs(Vizuara AI实验室)
本文提出物理信息神经网络(PINN)框架,通过将二维平流扩散方程等物理定律与含噪合成数据拟合嵌入训练,解决海洋污染物扩散建模问题,为传统数值求解器提供了可扩展且灵活的高性能替代方案。
2025-07-07 cs.LG
Adversarial Uncertainty Quantification in Physics-Informed Neural Networks
University of Pennsylvania(宾夕法尼亚大学)
我们提出了一个深度学习框架,用于使用物理信息神经网络量化和传播由非线性微分方程控制的系统中的不确定性。具体来说,我们采用潜变量模型来构建系统状态的概率表示,并提出了一个对抗性的推理过程,用于在数据上训练它们,同时约束它们的预测以满足由偏微分方程表示的给定物理定律。这种物理信息约束提供了一种正则化机制,用于有效地训练深度生成模型作为物理系统的替代物,其中数据采集成本高,并且训练数据集通常很小。这提供了一个灵活的框架,用于表征物理系统输出中的不确定性,这是由于其输入的随机性或其观测中的噪声,完全绕过了重复采样昂贵的实验或数值模拟器的需要。我们证明了我们的方法的有效性,通过一系列的例子,涉及不确定性传播的非线性守恒律,并发现本构关系的流动通过多孔介质直接从嘈杂的数据。
2018-11-09 cs.LG physics.comp-ph stat.ML
AutoPINN: When AutoML Meets Physics-Informed Neural Networks
Aalborg University(奥尔堡大学)
物理信息神经网络(PINN)最近被提出来解决科学和工程问题,其中物理定律被引入到神经网络中作为先验知识。通过嵌入的物理定律,PINN可以通过可观察的变量来估计通过物理工具无法观察到的关键参数。例如,电力电子转换器(PEC)是绿色能源转型的重要组成部分。PINN已经被应用于使用电流和电压来估计电容,这在PEC操作期间是不可观察的,这在操作期间可以容易地观察到。估计的电容有助于PEC的自诊断。现有的PINN通常是手动设计的,这很耗时,并且由于神经网络架构和超参数的大量设计选择,可能会导致性能不佳。此外,PINN通常部署在不同的物理设备上,例如,PEC,资源有限且不同。因此,它需要在不同的资源约束下设计不同的PINN模型,这使得手工设计更具挑战性。为了应对这些挑战,我们提出了自动物理信息神经网络(AutoPINN),这是一个通过结合AutoML和PINN来实现PINN自动设计的框架。具体来说,我们首先定制一个搜索空间,允许找到高精度PINN的PEC内部参数估计。然后,我们提出了一个资源感知的搜索策略,探索搜索空间,以找到最好的PINN模型在不同的资源约束。我们通过实验证明,AutoPINN能够使用更少的资源找到比人类设计的最先进的PINN模型更准确的PINN模型。
2022-12-08 cs.AI cs.LG
SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems
Univ. Caen Normandie(卡昂诺曼底大学);ENSICAEN(卡昂国立高等工程师学院);CNRS(法国国家科学研究中心);Safran Data Systems(赛峰数据系统公司)
针对强非线性、低维参数空间的物理逆问题,本文提出融合观测与仿真数据、采用混合损失训练的SimPINNs,并在轨道恢复任务中验证其精度与鲁棒性优于标准PINNs。
2023-09-27 cs.AI cs.LG
Causal-PIK: Causality-based Physical Reasoning with a Physics-Informed Kernel
Stanford University(斯坦福大学)
针对未知动力学对象的复杂交互任务,提出Causal-PIK方法,利用贝叶斯优化和物理信息核推理因果交互以高效搜索动作,在物理推理基准上超越现有方法,达到目标所需动作更少且在困难任务上与人类表现相当。
2025-05-30 cs.LG
Understanding Generalization in Physics Informed Models through Affine Variety Dimensions
针对现有物理信息机器学习理论局限于非混合设置和线性系统的问题,提出统一残差形式以纳入不完整物理约束,并证明模型泛化性能由物理约束相关的仿射簇维度而非参数数量决定,适用于线性和非线性方程。
2025-09-16 cs.LG math.ST stat.ML
Phase2vec: Dynamical systems embedding with a physics-informed convolutional network
The Hebrew University(希伯来大学)
动力系统在物理和生物科学中有无数种形式,但所有这些系统都自然地落入通用等价类:保守或耗散,稳定或不稳定,可压缩或不可压缩。从数据中预测这些类别仍然是计算物理学中一个重要的开放性挑战,现有的时间序列分类方法正在努力解决这个问题。在这里,我们提出,\texttt{phase2vec},一种嵌入方法,学习高质量,物理意义的表示的二维动力系统没有监督。我们的嵌入是由卷积骨干产生的,该卷积骨干从流数据中提取几何特征,并最大限度地减少物理信息矢量场重建损失。在辅助训练周期中,嵌入被优化,使得它们在每个方程拟合方法的性能之上稳健地编码看不见的数据的方程。经过训练的架构不仅可以预测未知数据的方程,而且重要的是,还可以学习尊重嵌入式物理系统的底层语义的嵌入。我们验证学习嵌入的质量,调查在何种程度上可以从嵌入解码的物理类别的输入数据相比,标准的黑盒分类器和国家的最先进的时间序列分类技术。我们发现,我们的嵌入编码的基础数据的重要物理属性,包括不动点的稳定性,能量守恒和不可压缩的流量,具有更高的保真度比竞争的方法。最后,我们将我们的嵌入应用到气象数据的分析中,表明我们可以检测到有气候意义的特征。总的来说,我们的研究结果表明嵌入方法的可行性,在物理系统中的动态功能的发现。
2023-02-26 cs.LG math.DS stat.ML
Physics-Informed Machine Learning for Short-Term Flood Prediction
IEEE Service Center(IEEE服务中心);National Science Foundation(国家科学基金会);Microsoft(微软)
提出一种物理信息机器学习框架,通过将水文知识作为趋势对齐约束嵌入LSTM损失函数,在数据稀缺和极端天气下提升洪水预测的物理一致性和可靠性。
2026-06-02 cs.AI cs.LG
PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);School of Engineering Science, University of Chinese Academy of Sciences(中国科学院大学工程科学学院)
本文提出物理信息神经预测器PINP,将耦合物理量离散化并集成到模型架构与损失函数中,以提升流体流动预测的时间外推和空间泛化能力,并在数值模拟和极端降水临近预报基准上取得最先进性能。
2025-04-08 cs.LG
Physics-Informed Echo State Networks
Technical University of Munich(慕尼黑工业大学);University of Cambridge(剑桥大学)
提出了一种基于物理信息的回声状态网络(ESN)来预测混沌系统的演化。与传统的ESN相比,物理信息ESN被训练来解决监督学习任务,同时确保它们的预测不违反物理定律。这是通过在训练过程中引入一个额外的损失函数来实现的,该函数基于系统的控制方程。附加的损失函数惩罚非物理预测,而不需要任何附加的训练数据。这种方法被证明对混沌Lorenz系统和截断的Charney-DeVore系统。与传统的ESN相比,物理信息ESN提高了约两个李雅普诺夫时间的可预测性地平线。这种方法也被证明是强大的噪声方面。该框架显示了利用机器学习结合先验物理知识来提高混沌动力系统的时间精确预测的潜力。
2020-10-31 cs.LG nlin.CD
DPM: A Novel Training Method for Physics-Informed Neural Networks in Extrapolation
Yonsei University(延世大学);Sandia National Laboratory(桑迪亚国家实验室);Texas A&M University at Commerce(德克萨斯农工大学康莫斯分校)
提出了一种学习由含时非线性偏微分方程描述的复杂物理过程动力学的方法。我们特别感兴趣的是在训练中使用的时域范围之外的时间外推解决方案。我们选择的基线方法是物理信息神经网络(PINN)[Raissi等人,J. Comput.物理、378:686- 707,2019]因为该方法不仅参数化了解,而且参数化了描述物理过程动态的方程。我们证明了PINN在许多基准问题中的外推任务上表现不佳。为了解决这个问题,我们提出了一种新的方法来更好地训练PINN,并证明我们新增强的PINN可以及时准确地外推解决方案。我们的方法比现有的方法在标准的L2范数度量方面的误差小72%。
2020-12-04 cs.AI cs.LG
Phys-JEPA: Physics-Informed Latent World Models for Multivariate Time-Series Forecasting
Tianjin University(天津大学)
提出Phys-JEPA架构,将物理一致性约束引入潜在状态和状态转移,分解预测状态为物理和残差分量,在气候、交通、电力数据集上提升预测精度。
2026-06-16 cs.AI cs.GT cs.LG
Discovery of partial differential equations from highly noisy and sparse data with physics-informed information criterion
College of Engineering, Peking University(北京大学工学院);Institute of Applied Physics and Computational Mathematics(应用物理与计算数学研究所);Southern University of Science and Technology(南方科技大学);Peng Cheng Laboratory(鹏城实验室)
提出物理信息准则(PIC),综合衡量偏微分方程发现的简洁性与精确性,在七个典型PDE上实现对高噪声和稀疏数据的先进鲁棒性,并成功从微观模拟数据中发现未揭示的宏观控制方程。
2022-08-05 cs.AI cs.LG physics.comp-ph
PDE-NetGen 1.0: from symbolic PDE representations of physical processes to trainable neural network representations
INPT-ENM(法国国立气象学院);CNRM(法国国家气象研究中心);CERFACS(欧洲科学计算研究与高级培训中心);IMT-Atlantic(大西洋矿业电信学院);Lab-STICC(布列塔尼大西洋信息通信科学与技术实验室)
将物理学和深度学习联系起来是一个热门的挑战。虽然深度学习框架为物理科学开辟了道路,但物理上一致的深度神经网络架构的设计仍然是一个悬而未决的问题。在物理学知识的神经网络的精神,PDE-NetGen包提供了新的方法来自动转换物理方程,作为PDE,到神经网络架构。PDE-NetGen结合了符号演算和神经网络生成器。后者利用了使用Keras的PDE求解器的基于NN的实现。通过对问题的一些了解,PDE-NetGen是一个即插即用的工具,可以生成物理信息的NN架构。它们提供了计算效率高但紧凑的表示,以解决各种问题,包括伴随推导,模型校准,预测,数据同化以及不确定性量化等。作为一个例子,工作流程首先提出了二维扩散方程,然后应用到数据驱动和物理信息的不确定性动力学的伯格斯方程的识别。
2020-02-03 cs.LG physics.comp-ph stat.ML
Bayesian Calibration of Imperfect Computer Models using Physics-Informed Priors
NTNU(挪威科技大学)
我们介绍了一个计算效率的数据驱动的框架,适用于量化的物理参数和模型制定的计算机模型,微分方程表示的不确定性。我们构建物理信息先验,这是多输出GP先验,编码模型的结构在协方差函数。这是扩展到一个完全贝叶斯框架,量化的物理参数和模型预测的不确定性。由于物理模型往往是不完美的描述真实的过程中,我们允许模型偏离观察到的数据,考虑差异函数。对于推断,使用哈密顿蒙特卡罗。此外,开发了大数据的近似,将计算复杂度从$\mathcal{O}(N^3)$降低到$\mathcal{O}(N\cdot m^2),$,其中$m \ll N.$我们的方法在模拟和真实数据案例研究中得到证明,其中物理学由时间相关的ODE描述(心血管模型)和时空相关的PDE(热方程)。研究表明,在以下情况下,我们的建模框架可以恢复物理模型的真实参数:1)现实比我们的建模选择更复杂; 2)数据采集过程存在偏差,同时也能产生准确的预测。此外,它表明,我们的方法是计算速度比传统的贝叶斯校准方法。
2023-01-31 cs.LG stat.ME stat.ML
Physics-informed fine-tuning of foundation models for partial differential equations
Fraunhofer Institute for Integrated Systems and Device Technology(弗劳恩霍夫整合系统与器件技术研究所)
本文提出一种结合物理约束的微调方法,用于适应偏微分方程基础模型,提升数据稀缺情况下模型的物理一致性和泛化能力。
2026-03-16 cs.AI cs.LG cs.NA
Physically-informed change-point kernels for structural dynamics
Dynamics Research Group, Department of Mechanical Engineering, University of Sheffield, Mappin Street, Sheffield S1 3JD, United Kingdom(谢菲尔德大学机械工程系动力学研究组)
针对物理信息机器学习中物理与数据的动态平衡难题,提出适用于高斯过程的新型物理信息变点核,支持用户自定义或自动学习物理知识的依赖切换逻辑,还可随物理现象调整建模噪声,经桥梁风荷载、机翼应变两个工程案例验证了有效性。
2025-06-13 cs.LG
AeroChem: Closed-loop Physics-Informed State Space Modeling for Long-term Chemically-Reactive Air Quality Forecasting--Extended Version
VinUniversity(范安大学);Aalborg University(奥尔堡大学);East China Normal University(华东师范大学);Hanoi University of Industry(河内工业大学)
针对长期空气质量预测的漂移与物理一致性问题,本文提出闭环物理知情状态空间框架AeroChem,采用双分支协同校正设计并结合HanoiAir数据集,提升了长期预测稳定性与突变预测能力。
2026-10-14 cs.AI cs.CE cs.LG
Channel-Informed Neural Network for Physical Layer Key Generation
Center for Connected Autonomy and AI, Florida Atlantic University(佛罗里达大西洋大学互联自主与人工智能中心);Air Force Research Laboratory(空军研究实验室)
本文提出一种信道感知神经网络,从IQ测量中提取二进制密钥特征,利用多任务学习与射线追踪增强,在POWDER测试台上验证了低比特不一致性和高密钥多样性,实现去中心化无线密钥生成。
2026-09-16 cs.LG eess.SP
Physics-Informed Convolutional Neural Networks for Corruption Removal on Dynamical Systems
Imperial College London(帝国理工学院);Alan Turing Institute(艾伦·图灵研究所)
对动力系统的测量,无论是实验的还是其他的,经常会受到不准确的影响,从而导致腐败;消除腐败是物理科学中一个至关重要的问题。在这项工作中,我们提出了用于静态腐败去除的物理信息卷积神经网络,提供了从数据中提取物理解决方案的方法,可以访问配置点处的部分地面实况观测。我们展示了二维不可压缩的纳维-斯托克斯方程的方法在混乱的湍流政权,表现出鲁棒性的方式和腐败的幅度。
2022-11-07 cs.LG physics.flu-dyn
About rectified sigmoid function for enhancing the accuracy of Physics-Informed Neural Networks
University of Nizhny Novgorod(下诺夫哥罗德国立大学);Huawei Nizhny Novgorod Research Center(华为下诺夫哥罗德研究中心);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
本文提出修正sigmoid激活函数,并结合物理信息初始化与逐神经元无梯度拟合方法,在谐振子、相对论弹弓和Lorentz系统等物理问题上取得比传统sigmoid神经网络更高的求解精度。
2024-12-30 cs.AI cs.LG cs.NA
EV-PINN: A Physics-Informed Neural Network for Predicting Electric Vehicle Dynamics
本文提出物理信息神经网络EV-PINN,仅用车速和时间输入即可预测电动汽车瞬时功率与累计能耗,并自动学习电机效率、车重及阻力系数等参数,在Tesla实车数据上验证了高精度与泛化能力。
2024-11-22 cs.LG
PIPE: Physics-Informed Position Encoding for Alignment of Satellite Images and Time Series
Department of Computer Science & Engineering(香港理工大学计算机科学与工程系);Division of Environment & Sustainability(香港理工大学环境与可持续发展学院)
针对多模态时间序列预测中视觉数据未利用及物理信息捕捉难的问题,提出PIPE方法,通过物理信息位置编码嵌入视觉语言模型,在最大开源卫星图像数据集上实现最先进性能,台风强度预测提升12%。
2025-05-27 cs.AI cs.CV cs.LG
Physics-Informed Machine Learning for Smart Additive Manufacturing
Rutgers University-New Brunswick(罗格斯大学新布朗斯维克分校);New Jersey Advanced Manufacturing Institute(新泽西先进制造研究所);University of California, Riverside(加州大学河滨分校)
针对数据驱动机器学习的黑箱问题与物理定律利用不足的现状,本文提出融合神经网络与物理定律的物理信息机器学习(PIML)模型,在激光金属沉积场景中验证了其在精度、透明度及泛化性上的提升,为智能增材制造提供新方案。
2024-07-15 cs.CE cs.LG
PIS: A Physics-Informed System for Accurate State Partitioning of $Aβ_{42}$ Protein Trajectories
School of Computer and Electronic Information, Nanjing Normal University(计算机与电子信息学院,南京师范大学)
PIS 通过整合物理先验信息,提升对 Aβ_{42} 蛋白轨迹中亚稳态划分的准确性,并提供物理基础的可解释性工具。
2026-02-23 cs.LG
Learning Traffic Flow Dynamics with Stochastic Physics-Informed Neural Cellular Automata
KTH Royal Institute of Technology(瑞典皇家理工学院)
提出物理信息神经细胞自动机(PI-NCA),通过保证车辆守恒的架构学习交通流动态,并在随机扩展中保持约束,实验表明其优于标准NCA。
2026-10-08 cs.LG
Physics-Informed Framework for Impact Identification in Aerospace Composites
University of Twente (UT)(特温特大学);Royal Netherlands Aerospace Centre (NLR)(荷兰皇家航空航天中心)
本文提出一种融合物理知识与数据驱动推理的新型冲击识别框架,通过物理引导的能量指标构建输入空间,约束可行解并强制守恒关系,实现物理一致且数值稳定的冲击识别。
2026-03-30 cs.LG physics.app-ph
Learning the solution operator of parametric partial differential equations with physics-informed DeepOnets
University of Pennsylvania(宾夕法尼亚大学)
深度算子网络(DeepONets)由于其在无限维Banach空间之间近似非线性算子的能力而受到越来越多的关注。然而,尽管它们在早期有着显著的前景,但它们通常需要由成对的输入-输出观测组成的大型训练数据集,这可能是昂贵的,而它们的预测可能与生成观测数据的基本物理原理不一致。在这项工作中,我们提出了一种新的模型类,称为物理信息DeepONets,它引入了一种有效的正则化机制,用于将DeepOnet模型的输出偏向于确保物理一致性。这是通过利用自动微分在模型训练期间经由软惩罚约束来施加基础物理定律来实现的。我们证明,这种简单但非常有效的扩展不仅可以显著提高DeepOnets的预测准确性,而且还可以大大减少对大型训练数据集的需求。为此,一个值得注意的观察是,物理学知识的DeepONets能够在没有任何成对输入输出观测的情况下求解参数偏微分方程(PDE),除了一组给定的初始或边界条件。我们说明了建议的框架的有效性,通过一系列全面的数值研究,在各种类型的偏微分方程。引人注目的是,一个经过训练的物理学知识的DeepOnet模型可以在几分之一秒内预测$\mathcal{O}(10^3)$时间相关PDE的解-与传统PDE求解器相比快了三个数量级。本手稿随附的数据和代码可在\url{https://github.com/PredictiveIntelligenceLab/Physics-informed…
2021-03-19 cs.LG cs.NA math.NA
Multi-dimensional training-priority weighting based on physical information propagation paths: a unified residual-weighting framework for physics-informed neural networks
研究针对物理信息神经网络同步优化与物理传播路径不符问题,基于物理信息传播路径定义训练优先级,用NTK动力学分析原因,提出统一多维优先级约束框架,改善了PINNs在特定问题上的收敛行为和预测准确性。
2026-07-28 cs.LG
Universal Spectral Transfer with Physical Prior-Informed Deep Generative Learning
MIT(麻省理工学院);Ragon Institute of MGH, MIT and Harvard(麻省总医院、麻省理工学院与哈佛大学拉根研究所);Jameel Clinic for AI & Healthcare, MIT(麻省理工学院贾米尔人工智能与医疗诊所)
提出物理先验深度生成模型 SpectroGen,通过将光谱数据表示为分布数学构造,实现跨模态光谱生成,在 319 个矿物样本上达到 99% 相关性和 0.01 均方根误差,有望加速多领域科学发现。
2024-07-22 cs.LG eess.IV
Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data
Forschungszentrum Jülich GmbH(于利希研究中心);RWTH Aachen University(亚琛工业大学);JARA-ENERGY(JARA能源研究所);Delft University of Technology(代尔夫特理工大学)
本文研究在机理方程不完整且过程数据稀缺的条件下,利用物理信息神经网络估计不可测量状态,并通过启发式方法和两个化工案例验证其可行性。
2024-09-30 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 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
Process-Informed Forecasting of Complex Thermal Dynamics in Pharmaceutical Manufacturing
Department of Agricultural and Environmental Sciences, University of Bari(巴里大学农业与环境科学系);Department of Mechanical, Mathematics, and Management (DMMM), Polytechnic University of Bari(巴里理工学院机械、数学与管理系);Division of Applied Mathematics, Brown University(布朗大学应用数学系)
本文提出基于过程的预报方法,结合传统模型和深度学习架构,通过整合过程先验信息提升预测准确性与物理一致性,验证了其在制药冻干过程中的有效性。
2026-05-15 cs.LG
Physics-informed kernel learning
Sorbonne University, EDF R&D(索邦大学,EDF研究与开发);INRIA, École Normale Supérieure, PSL University(INRIA,巴黎高等师范学院,PSL大学);Sorbonne University, Institut universitaire de France(索邦大学,法国国家科学研究中心);Université Paris-Saclay, Institut universitaire de France(巴黎萨克雷大学,法国国家科学研究中心)
本文提出物理信息核学习(PIKL),通过傅里叶方法近似核并最小化物理信息风险函数,在混合建模和PDE求解中展现出优于物理信息神经网络和传统求解器的精度与效率。
2024-09-20 cs.LG math.ST stat.ML
Enforcing hidden physics in physics-informed neural networks
Tongji University(同济大学);Yale University(耶鲁大学);University of Oxford(牛津大学)
本文提出了一种不可逆性正则化策略,用于在物理信息神经网络中强制隐藏物理规律,从而提升模型在多种科学问题中的鲁棒性和预测精度。
2025-12-11 cs.LG physics.comp-ph
Study Design and Demystification of Physics Informed Neural Networks for Power Flow Simulation
IRT SystemX(系统X研究所);RTE(电网运营商)
本文通过消融研究系统揭秘物理信息神经网络在潮流仿真中的混合化策略,并利用自研基准LIPS从准确性、物理合规性、工业就绪性和分布外泛化四个维度评估不同模型架构的表现。
2025-09-23 cs.LG
Physics-Informed Machine Learning On Polar Ice: A Survey
Lehigh University(利哈伊大学)
本文综述了极地冰盖研究中的物理信息机器学习方法,提出结合物理与数据驱动方式的分类体系,分析其在精度与效率上的优势,并展望海冰、组合方法和神经算子等未来方向。
2024-04-30 cs.LG
PILA: Physics-Informed Low Rank Augmentation for Interpretable Earth Observation
Department of Computer Science and Technology, University of Cambridge(计算机科学与技术系,剑桥大学);Clare Hall, University of Cambridge(剑桥大学克莱尔学院);Cyclops AI;Department of Earth Sciences, University of Cambridge(地球科学系,剑桥大学)
PILA通过低秩增强方法提升地球观测中物理模型的可解释性和准确性,有效解决不完整物理模型的反演问题。
2025-12-18 cs.LG
Over-PINNs: Enhancing Physics-Informed Neural Networks via Higher-Order Partial Derivative Overdetermination of PDEs
State Key Laboratory of Tribology(摩擦学国家重点实验室)
提出 Over-PINNs 框架,利用自动微分构造高阶 PDE 辅助约束并加入损失函数,以较低额外计算成本提升 PINNs 求解多种 PDE 的精度。
2025-06-06 cs.LG
Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing
Rutgers University-New Brunswick(罗格斯大学新布朗斯维克分校);New Jersey Advanced Manufacturing Initiative, Rutgers University-New Brunswick(新泽西先进制造倡议,罗格斯大学新布朗斯维克分校)
本文全面评估了金属增材制造中微观结构预测的建模策略,指出物理信息机器学习(PIML)通过将物理定律嵌入神经网络,克服了传统数据驱动方法的黑盒限制,是实现可扩展且物理一致的微观结构建模与可靠生产的关键范式。
2025-05-02 cs.LG
Energy-Based Physics-Informed Form Finding for Clustered Tensegrity Structures
University of Kentucky(肯塔基大学);University of Houston(休斯顿大学)
针对聚类张拉整体结构找形及物理特性预测难题,提出基于能量的学习框架,将总势能最小化和本构关系纳入训练目标以同时预测相关物理量,经实验验证该方法有潜力且能准确预测结构特性。
2026-09-01 cs.LG cs.NA math.NA