Graph neural networks informed locally by thermodynamics
ESI Group(ESI集团);Aragon Institute of Engineering Research (I3A)(阿拉贡工程研究所);Universidad de Zaragoza(萨拉戈萨大学);ENSAM Institute of Technology(法国国立高等工程技术学校)
本文提出一种局部度量-辛普列克偏置的图神经网络,避免全局矩阵组装,保留逐节点结构,在固体与流体力学中实现高效计算与强泛化能力。
2025-01-20 cs.AI cs.LG
PIORF: Physics-Informed Ollivier-Ricci Flow for Long-Range Interactions in Mesh Graph Neural Networks
Yonsei University(延世大学);KAIST(韩国科学技术院);Arizona State University(亚利桑那州立大学)
PIORF提出一种物理信息引导的图重连方法,利用Ollivier-Ricci曲率识别瓶颈并结合高速度梯度节点建立长程连接,以缓解网格图神经网络中的过度挤压问题,在流体动力学基准上显著优于现有方法。
2025-04-05 cs.AI cs.LG
Demographically-Informed Heat-Mortality Risk Curves via Risk Graph Neural Networks
School of Geographical Sciences, University of Bristol(布里斯托大学地理科学学院)
研究针对环境流行病学中热相关死亡风险估计问题,提出用风险图神经网络(RGNNs)优化分布滞后非线性模型(DLNMs),利用人口普查特征优化系数向量,在英格兰和威尔士多地验证,RGNNs能保持低误差和合理不确定性覆盖。
2026-07-24 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
PICProp: Physics-Informed Confidence Propagation for Uncertainty Quantification
National University of Singapore(新加坡国立大学);Columbia University(哥伦比亚大学);Brown University(布朗大学)
本文研究确定性偏微分方程的置信区间估计问题,提出基于双层优化的PICProp方法,无需强假设即可将置信度从数据位置传播至整个域,并提供概率保证和有效性定理。
2023-10-20 cs.AI cs.LG
naPINN: Noise-Adaptive Physics-Informed Neural Networks for Recovering Physics from Corrupted Measurement
Department of Industrial Engineering(工业工程系);Seoul National University(首尔国立大学)
提出噪声自适应物理信息神经网络(naPINN),通过嵌入能量模型学习残差分布并自适应过滤异常值,从非高斯噪声和离群点损坏的测量中鲁棒恢复物理解。
2026-06-01 cs.AI cs.LG
Generating Synthetic Net Load Data with Physics-informed Diffusion Model
本文提出一种物理信息扩散模型,通过将物理模型嵌入去噪网络联合训练参数,用于生成合成净负荷数据。基于真实数据验证,该方法在所有定量指标上均优于现有生成模型,性能提升至少20%。
2024-06-04 cs.AI cs.LG
Label-informed Graph Structure Learning for Node Classification
Center for Research on Intelligent Perception and Computing, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所智能感知与计算研究中心);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
图神经网络在各个领域都取得了巨大的成功。然而,大多数GNN方法对图结构的质量很敏感。为了解决这个问题,一些研究利用不同的图结构学习策略来改进原始图结构。然而,这些方法只考虑特征信息,而忽略了可用的标签信息。在本文中,我们提出了一种新的标签知情的图结构学习框架,通过类转移矩阵显式地结合标签信息。我们在七个节点分类基准数据集上进行了广泛的实验,结果表明我们的方法优于或匹配最先进的基线。
2021-08-10 cs.LG
Prior-Informed Flow Matching for Graph Reconstruction
Rice University(里士大学)
提出先验信息流匹配(PIFM),一种结合嵌入先验与连续时间流匹配的条件流模型,用于从部分观测中重建图,在多个数据集上优于经典嵌入和生成基线。
2026-06-19 cs.LG
SGM-PINN: Sampling Graphical Models for Faster Training of Physics-Informed Neural Networks
Stevens Institute of Technology(史蒂文斯理工学院)
本研究提出基于图的重要性采样框架SGM-PINN,通过分解训练集构建的概率图模型生成带依赖关系的节点簇,结合鲁棒性度量与残差损失确定采样区域,实现PINNs训练速度3倍提升与精度改善。
2024-07-10 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
Sparse Implementation of Versatile Graph-Informed Layers
Politecnico di Torino(都灵理工大学);INdAM(意大利国家高等数学研究所)
针对图信息(GI)层因稠密内存分配导致效率低的问题,本文提出利用邻接矩阵稀疏性的稀疏实现方法,并引入多功能一般形式,显著提升了计算效率和可扩展性,支持构建更深的图信息神经网络并适配更大规模的图。
2024-03-20 cs.LG cs.NA math.NA
Partition of Unity Physics-Informed Neural Networks (POU-PINNs): An Unsupervised Framework for Physics-Informed Domain Decomposition and Mixtures of Experts
The University of Texas at El Paso(德克萨斯大学埃尔帕索分校);University of California, Santa Cruz(加州大学圣克鲁兹分校);Clarkson University(克拉克森大学);Texas A&M University in Kingsville(德克萨斯农工大学金斯维尔分校)
提出无监督POU-PINNs框架,利用单位分解网络和物理残差损失自动发现PDE的空间子域及非线性参数,提升求解精度。
2024-12-07 cs.LG
Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks
Ferdowsi University of Mashhad(法尔多斯大学)
本文提出感知信息神经网络(PrINNs)框架,通过损失函数整合感知信息与专家知识,扩展物理信息神经网络,支持多种信息形式,实现数据驱动建模,并引入MOEINNs、TKINNs和FINNs等变体,以增强复杂系统建模能力。
2025-05-24 cs.AI cs.LG cs.NE
Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part II: Physics-Informed Neural Networks and Uncertainty Quantification
University of the Basque Country (UPV/EHU)(巴斯克大学)
本文提出基于物理的神经网络和贝叶斯框架,用于变压器状态监测中的不确定性量化与预测。
2025-12-20 cs.LG
GPINN: Physics-informed Neural Network with Graph Embedding
Imperial College London(帝国理工学院)
本研究提出带图嵌入的物理信息神经网络框架GPINN,通过Fiedler向量引导的图嵌入为输入空间增维以融入拓扑信息,实验证明其性能优于传统PINN,更擅捕捉物理解特征。
2023-06-16 cs.CE cs.LG physics.comp-ph
Scalable algorithms for physics-informed neural and graph networks
Massachusetts Institute of Technology(麻省理工学院);Sandia National Laboratories(桑迪亚国家实验室)
物理信息机器学习(PIML)已经成为一种很有前途的新方法,用于模拟复杂的物理和生物系统,这些系统由复杂的多尺度过程控制,其中一些数据也是可用的。在某些情况下,目标是从可用的数据中发现隐藏的物理部分,并且PIML已经被证明对于常规方法可能失败的此类问题特别有效。与商业机器学习不同,深度神经网络的训练需要大数据,在PIML中大数据不可用。相反,我们可以通过使用物理定律并在时空域中的随机点上对其进行评估而获得的额外信息来训练这样的网络。这种基于物理学的机器学习将多模态和多保真度数据与数学模型相集成,并使用神经网络或图形网络来实现它们。在这里,我们回顾了将物理学嵌入机器学习的一些流行趋势,使用主要基于前馈神经网络和自动微分的物理信息神经网络(PINN)。对于更复杂的系统或系统和非结构化数据的系统,图神经网络(GNN)呈现出一些明显的优势,在这里,我们回顾了如何使用基于图外部演算的GNN来实现物理信息学习以构建微分算子;我们将这些架构称为物理信息图网络(PIGN)。我们提出了正问题和逆问题的代表性例子,并讨论了扩大PINN,PIGN和更广泛的GNN用于大规模工程问题所需的进展。
2022-05-16 cs.AI cs.DC cs.LG
Conformal mapping based Physics-informed neural networks for designing neutral inclusions
Department of Mathematical Sciences, Korea Advanced Institute of Science and Technology(韩国科学技术院数学科学系);Department of Artificial Intelligence, Chung-Ang University(Chung-Ang 大学人工智能系)
本文提出CoCo-PINNs,结合共形映射与物理信息神经网络,解决中性包含体设计问题,提升PINNs的可信度、一致性和稳定性。
2026-02-02 cs.AI cs.LG math.AP
Topology-Informed Graph Transformer
National Institute for Mathematical Sciences(数学科学研究院);Max Planck Institute(马克斯·普朗克研究所)
本研究提出拓扑感知图Transformer,通过增强图同构判别能力与整体性能,提升图神经网络在区分同构类任务中的表现。
2026-01-08 cs.LG
Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
Fraunhofer IOSB-INA(弗劳恩霍夫研究所)
本文提出一种基于物理信息扩散模型的多元时间序列无监督异常检测方法,通过加权物理信息损失学习物理依赖的时间分布,实验表明其在F1分数、数据多样性和对数似然上优于基线及纯数据驱动扩散模型。
2025-08-15 cs.LG
Self-adaptive weights based on balanced residual decay rate for physics-informed neural networks and deep operator networks
Pacific Northwest National Laboratory(太平洋西北国家实验室)
针对物理信息神经网络训练中不同训练点残差收敛速率差异导致整体收敛被最慢点主导的问题,提出一种平衡残差衰减率的逐点自适应加权方法,显著提升了预测精度、收敛速度与训练稳定性。
2025-09-16 cs.AI cs.LG stat.ML
GITO: Graph-Informed Transformer Operator for Learning Complex Partial Differential Equations
Applied Research, Quantiphi(Quantiphi应用研究)
本研究提出了由混合图Transformer和Transformer神经算子组成的GITO架构,可高效学习不规则几何与非均匀网格上的复杂偏微分方程,性能优于现有同类神经算子,为工程领域网格无关的代理求解器提供了新方案。
2025-06-16 cs.LG
Neither Black nor White: Balancing Semantic and Collaborative Signals with Graph-Informed Semantic IDs (GrIS)
Huawei Ireland Research Centre(华为爱尔兰研究中心)
将语义ID构建重构为递归图聚类,提出统一框架GrIS,通过可配置的图构建与划分轴,在多个数据集上最高提升Hit@10达52%。
2026-10-02 cs.AI cs.IR cs.LG
Spatiotemporal Imputation with Graph-Informed Flow Matching
EPFL(苏黎世联邦理工学院)
提出GiFlow框架,利用图信息先验和混合向量场模型进行时空插补,优于现有方法。
2026-06-04 cs.LG
Design Your Own Universe: A Physics-Informed Agnostic Method for Enhancing Graph Neural Networks
University of Sydney(悉尼大学);riken(理化学研究所);Western Sydney University(西悉尼大学)
本文借鉴粒子系统提出模型无关的GNN增强框架,通过新增节点和正负权重重连丰富图结构,理论与实验证明其可缓解过平滑、过挤压并适应异配图。
2024-06-12 cs.LG
MeGA-MP: Metric Graph Advection Message Passing -- A Physics-Informed Message Passing Operator for Advection-Dominated Metric Graphs
Bielefeld University(比勒菲尔德大学)
针对度量图上平流等输运动力学难以用现有方法精准建模的问题,提出物理信息驱动的MeGA-MP算子,可无训练还原平流动态,拓展后在管网场景性能优于基线且支持跨拓扑零样本泛化。
2026-07-07 cs.LG
Differentiable Physics-informed Graph Networks
University of Southern California(南加州大学);Department of Computer Science, University of Southern California(南加州大学计算机科学系)
虽然物理学传达了从观察和理论之间的相互作用中建立起来的自然知识,但它在深层神经网络中被认为不那么重要。特别是,很少有工作利用物理行为时,知识是不明确的。在这项工作中,我们提出了一种新的架构称为微分物理知情图网络(DPGN),将隐含的物理知识,这是从领域专家通过通知它在潜在的空间。使用DPGN的概念,我们表明,气候预测任务显着改善。除了实验结果,我们验证了所提出的模块的有效性,并提供DPGN的进一步应用,如归纳学习和多步预测。
2019-02-11 cs.LG stat.ML
NSGA-PINN: A Multi-Objective Optimization Method for Physics-Informed Neural Network Training
Purdue University(普渡大学)
本文提出了NSGA-PINN,一个多目标优化框架的有效训练的物理信息神经网络(PINNs)。所提出的框架使用非支配排序遗传算法(NSGA-II)来实现传统的随机梯度优化算法(例如,ADAM)来有效地逃离局部极小。此外,NSGA-II算法能够在物理信息训练期间精确地满足编码到损失函数中的初始和边界条件。我们证明了我们的框架的有效性,通过应用NSGA-PINN几个普通和偏微分方程问题。特别是,我们表明,该框架可以处理具有挑战性的逆问题与噪声数据。
2023-03-07 cs.LG
Generic bounds on the approximation error for physics-informed (and) operator learning
ETH Zürich(苏黎世联邦理工学院);ETH AI Center(苏黎世联邦理工学院人工智能中心)
我们提出了一个非常通用的框架,用于推导物理信息神经网络(PINN)和算子学习架构(如DeepONets和FNOs)以及物理信息算子学习的近似误差的严格界限。这些界限保证了PINN和(物理信息)DeepONets或FNO将有效地近似通用偏微分方程(PDE)的基本解或解算子。我们的框架利用现有的神经网络近似结果,以获得更多涉及的学习结构的偏微分方程的界限。我们通过推导物理信息算子学习的近似误差的第一个严格界限,并通过显示PINN(以及物理信息DeepONets和FNO)减轻了近似非线性抛物型PDE的维数灾难,来说明一般框架。
2022-10-10 cs.LG cs.NA math.NA
Physics-Informed Error Field Learning: A Post-Training Optimization Framework for Physics-Informed Neural Networks
College of Mathematics and Systems Science, Shandong University of Science and Technology(山东科技大学数学与系统科学学院)
本文提出PIEFL框架作为PINNs的训练后优化策略,通过引入辅助误差网络修正预测误差,在相同计算预算下提升了PINNs的解精度。
2026-08-27 cs.LG
Exactly conservative physics-informed neural networks and deep operator networks for dynamical systems
Memorial University of Newfoundland(纽芬兰纪念大学)
本文提出一种基于投影的方法,训练动力系统的精确保守物理信息神经网络与深度算子网络,将候选解映射至不变流形,在多个现实问题中表现远优于非保守方法。
2023-11-23 cs.LG cs.NA math.NA
Physics Informed Symbolic Networks
TCS Research(塔塔咨询服务公司研究院)
我们引入物理信息符号网络(PISN),它利用物理信息的损失来获得偏微分方程(PDE)系统的符号解。给出了一种描述符号表达式语言的上下文无关文法,提出了用加权和作为连续逼近来选择产生式规则。我们使用这种近似来定义多层符号网络。我们考虑Kovasznay流(Navier-Stokes)和二维粘性Burger方程,以说明PISN能够在各种最先进的进步中提供与PINN相当的性能:多输出和控制方程,域分解,超网络。此外,我们提出了物理知情的神经符号网络(PINSN),它采用多层感知器(MLP)运营商建模符号网络的残留物。观察到PINSN比标准PINN提供2-3个数量级的性能增益。
2022-12-20 cs.AI cs.LG cs.NA
Lecture notes on Physics Informed Neural Networks, Neural Operators, and their applications
Free University of Bozen-Bolzano(博尔扎诺自由大学)
本讲义介绍物理信息神经网络与神经算子的概念、PyTorch实现及PhysicsNeMo应用,涵盖混合模型、傅里叶神经算子等前沿主题,面向多领域实际问题。
2026-09-17 cs.AI cs.CE cs.LG
Quasi-Random Physics-informed Neural Networks
Skolkovo Institute of Science and Technology(斯克尔克沃科学与技术研究所)
本文提出准随机物理信息神经网络,通过低分歧序列采样提升高维PDE求解效率,实验显示其优于传统PINNs和自适应采样方法。
2025-07-10 cs.AI cs.LG cs.NA
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
PiGRAND: Physics-informed Graph Neural Diffusion for Intelligent Additive Manufacturing
Center for Scalable Data Analytics and Artificial Intelligence(可扩展数据分析与人工智能中心);Leipzig University(莱比锡大学)
本文提出PiGRAND,一种融合物理的图神经扩散框架,通过结合物理原理和高效学习方法,提升3D打印热预测精度和计算效率。
2026-03-16 cs.LG
Zero-Shot Scalable Resilience in UAV Swarms: A Decentralized Imitation Learning Framework with Physics-Informed Graph Interactions
Institute of Image Communication and Network Engineering, School of Integrated Circuits, Shanghai Jiao Tong University(图像通信与网络工程研究所,集成电路学院,上海交通大学)
本文提出了一种去中心化模仿学习框架,通过物理信息图神经网络编码局部交互,实现无人机群在大规模故障和碎片化拓扑下的鲁棒恢复。
2026-05-18 cs.LG
CP-AGCN: Pytorch-based Attention Informed Graph Convolutional Network for Identifying Infants at Risk of Cerebral Palsy
Durham University(杜伦大学);University of Glasgow(格拉斯哥大学)
早期预测被临床认为是脑瘫治疗的重要组成部分之一。我们建议实现一个低成本和可解释的分类系统,以支持CP预测的基础上一般运动评估(GMA)。我们设计了一个基于Pytorch的注意力通知图卷积网络,从RGB视频提取的骨骼数据中早期识别有CP风险的婴儿。我们还设计了一个频率合并模块,用于在频域中学习CP运动,同时过滤噪声。我们的系统只需要消费级RGB视频进行训练,通过提供可解释的CP分类结果来支持交互时间CP预测。
2022-09-06 cs.CV cs.LG eess.IV
Physics-informed machine learning of the correlation functions in bulk fluids
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本研究利用物理信息神经网络和物理信息神经算子网络求解Ornstein-Zernike方程,在多种体相流体中实现高精度和高效率的正逆问题求解,凸显了其在热力学状态理论中的潜力。
2023-09-02 cs.LG physics.chem-ph physics.comp-ph
Is $L^2$ Physics-Informed Loss Always Suitable for Training Physics-Informed Neural Network?
Carnegie Mellon University(卡内基梅隆大学);Zhejiang Lab(之江实验室);Peking University(北京大学)
物理信息神经网络(PINN)方法是使用深度学习求解偏微分方程的一种新的有前途的方法。$L^2$物理信息丢失是训练物理信息神经网络的事实标准。在本文中,我们通过研究损失函数和学习解决方案的近似质量之间的关系来挑战这种常见的做法。特别地,我们利用偏微分方程文献中的稳定性概念来研究学习解在损失接近零时的渐近行为。利用这一概念,我们研究了最优控制中一类重要的高维非线性偏微分方程--Hamilton-Jacobi-Bellman(HJB)方程,证明了对于一般的$L^p$ Physics-Informed Loss,只有当$p$足够大时,一类HJB方程才是稳定的.因此,常用的$L^2$损失不适合在这些方程上训练PINN,而$L^{\infty}$损失是更好的选择。基于理论上的见解,我们开发了一种新的PINN训练算法,以最大限度地减少HJB方程的$L^{\infty}$损失,这与对抗训练的精神相似。通过实验验证了该算法的有效性。我们的代码发布在https://github.com/LithiumDA/L_inf-PINN。
2022-12-30 cs.LG cs.NA math.NA
Distribution-Informed Adaptation for kNN Graph Construction
Chongqing University(重庆大学)
针对传统kNN图因统一k值在复杂分布数据上性能受限的问题,提出分布信息自适应kNN图(DaNNG),结合自适应k与分布感知构建,显著提升模糊样本性能,在多个基准上优于现有方法。
2023-11-10 cs.IR cs.LG cs.SI
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
INDEQS: Informed Neural controlled Differential EQuationS
Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希·赫兹研究所);Technische Universität Berlin(柏林技术大学)
提出INDEQS,一种基于图的NCDE预测方法,通过在不同架构位置注入有向图先验知识,结合内外混合机制和自适应图卷积,在合成和真实任务中优于无信息NCDE。
2026-10-02 cs.LG stat.ML
Energy-based error bound of physics-informed neural network solutions in elasticity
University of Twente(特文特大学);Massachusetts Institute of Technology(麻省理工学院)
提出了一种基于能量的后验误差界,用于弹性力学问题的物理信息神经网络解。从混合形式的物理信息神经网络获得了一个容许的位移-应力解对,建议的误差界被公式化为由解对定义的本构关系误差。这样的误差估计器提供了神经网络离散化的全局误差的上界。边界属性,以及物理信息的神经网络解决方案的渐近行为,研究了一个演示的例子。
2022-05-29 cs.LG cs.NA math.NA
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
Algorithm-Informed Graph Neural Networks for Leakage Detection and Localization in Water Distribution Networks
EPFL(洛桑联邦理工学院)
针对配水管网泄漏检测中GNN分布外泛化不足的问题,本文提出AIGNN,通过预训练模拟Ford-Fulkerson最大流算法并迁移知识,结合压力重建与预测实现更优的泄漏检测定位。
2024-08-05 cs.LG
Graph-Informed Adversarial Modeling: Infimal Subadditivity of Interpolative Divergences
Maxwell Institute for Mathematical Sciences(麦克斯韦数学科学研究所)
本文研究了在已知贝叶斯网络分解的目标分布下对抗学习的问题,证明了插值分歧的下确界性原理,为图引导的对抗学习提供了理论支持,并通过实验展示了改进的稳定性与结构恢复。
2026-04-02 cs.LG math.ST stat.ML
Unravelling the Performance of Physics-informed Graph Neural Networks for Dynamical Systems
Indian Institute of Technology Delhi(德里印度理工学院)
最近,图神经网络已经获得了大量的关注,以模拟动态系统,由于其归纳性质,导致zero-shot泛化。类似地,深度学习框架中的物理信息归纳偏差已被证明在学习物理系统的动态方面具有优异的性能。有越来越多的文献试图将这两种方法结合起来。在这里,我们评估了13个不同的图神经网络的性能,即,哈密顿和拉格朗日图神经网络,图神经ODE,以及它们的变种明确的约束和不同的架构。我们简要地解释了突出的相似性和差异,这些系统的归纳偏见和图形架构的理论制定。我们评估这些模型的弹簧,钟摆,重力和3D可变形固体系统比较性能的推出误差,守恒量,如能量和动量,以及不可见的系统尺寸的推广。我们的研究表明,具有额外归纳偏差的GNN,例如明确的约束和动能和势能的解耦,表现出显着增强的性能。此外,所有的物理知识GNN表现出zero-shot的泛化能力,系统大小比训练系统大一个数量级,从而提供了一个有前途的路线来模拟大规模的现实系统。
2023-02-02 cs.LG physics.comp-ph
Physics-Informed Graph Learning with Uncertainty Awareness for Open-Set Domain Generalization in Fault Diagnosis
College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院)
针对旋转机械故障诊断面临的未知故障类型和工况变化导致的域转移挑战,提出PGU - OD框架,通过设计物理信息谱注意力模块、构建不确定性感知自适应图学习机制及开发相关损失函数和推理策略,提升故障诊断性能。
2026-07-07 cs.LG
Physics-Informed Deep Learning: A Promising Technique for System Reliability Assessment
University of Maryland(马里兰大学);University of California, Los Angeles(加州大学洛杉矶分校)
在可靠性和安全领域,基于深度学习的预测模型在系统故障和健康管理方面已经有了相当多的研究。然而,利用深度学习进行系统可靠性评估的研究有限。本文旨在弥合这一差距,并通过利用物理学深度学习的最新进展来探索深度学习和系统可靠性评估之间的新接口。特别是,我们提出了一种在物理信息深度学习的背景下框架系统可靠性评估的方法,并讨论了物理信息生成对抗网络在系统可靠性评估中的不确定性量化和测量数据整合的潜在价值。所提出的方法是证明了三个数值例子,涉及一个双处理器计算系统。研究结果表明,基于物理学的深度学习在缓解计算挑战、结合测量数据和数学模型进行系统可靠性评估方面具有潜在价值。
2021-09-05 cs.LG stat.ML
Pioneer: Physics-informed Riemannian Graph ODE for Entropy-increasing Dynamics
North China Electric Power University(华北电力大学);Beihang University(北京航空航天大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本文提出 Pioneer,一种物理信息黎曼图常微分方程,通过在黎曼流形上结合约束 Ricci 流和 Gyro 变换建模熵增动态系统,并证明其熵非递减性,在真实数据集上表现优越。
2025-02-05 cs.LG
On the failure of ReLU activation for physics-informed machine learning
Smead Aerospace Engineering Sciences University of Colorado(斯梅德航空航天工程科学大学)
本研究揭示ReLU在物理信息机器学习中的失效原因,指出自动微分对不连续场的导数处理不当导致性能下降。
2025-12-15 cs.LG
Estimate Three-Phase Distribution Line Parameters With Physics-Informed Graphical Learning Method
University of California, Riverside(加州大学河滨分校)
配电网参数的准确估计对于配电系统的建模、监测和控制至关重要。在本文中,我们开发了一个物理通知图形学习算法估计三相配电系统的网络参数。我们所提出的算法只使用现成的智能电表数据来估计三相串联电阻和电抗的主要配电线路段。我们首先开发了一个基于参数物理的模型来代替传统图形神经网络(GNN)中的黑盒深度神经网络。然后我们推导出损失函数相对于网络参数的梯度,并使用随机梯度下降(SGD)来估计物理参数。网络参数的先验知识也被认为是进一步提高估计的准确性。综合数值研究结果表明,我们提出的算法产生高精度和优于现有的方法。
2021-02-17 cs.LG cs.SY eess.SY
HGTO: A Unified Graph-Based Physics-Informed Formulation for Structural Topology Optimization
Arizona State University(亚利桑那州立大学)
HGTO提出统一基于图的物理信息公式,将神经拓扑优化扩展到有限元图空间,耦合材料场与平衡态,以更低成本实现与常规方法相当的柔度性能。
2026-09-15 cs.LG