Taper-based scattering formulation of the Helmholtz equation to improve the training process of Physics-Informed Neural Networks
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
针对物理信息神经网络（PINNs）求解亥姆霍兹方程散射问题时因谱偏差和方程双曲性质导致的高波数下训练困难问题，提出将总波分解为入射波锥化延拓与散射波的等价边值问题公式，通过引入非齐次项利用反向传播信息加速训练，数值验证了有效性，为PINN求解散射问题提供新途径。
2024-04-15 cs.LG physics.comp-ph
Symmetry-Informed Deep Learning for Electromagnetic Scattering
Chalmers University of Technology（查尔姆斯理工大学）
研究电磁散射建模中数据效率瓶颈问题），利用麦克斯韦方程组等变性获变换规则，实现数据增强与等变神经网络构建，在光子晶体平板等上验证有效性，提高数据效率，为物理建模提供框架，确立对称性为统一归纳偏差。
2026-07-16 cond-mat.mtrl-sci physics.comp-ph physics.optics
Physics-Informed Neural Networks for 2D Plane Wave Scattering in Arbitrary Dielectric Structures
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；University College London（伦敦大学学院）
本文提出无网格物理信息神经网络框架求解二维非均匀介质电磁波散射，将麦克斯韦方程与辐射边界条件嵌入损失函数，经双曲正切平滑函数优化TE偏振精度，对多种结构表现稳定，可高效解决复杂电磁散射问题。
2026-07-31 physics.comp-ph physics.optics
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations
NVIDIA（英伟达）；National Astronomical Observatory of Japan（日本国立天文台）
物理信息神经网络允许通过一般非线性偏微分方程描述的物理定律来训练模型。然而，传统架构由于其架构性质而难以解决更具挑战性的时间相关问题。在这项工作中，我们提出了一个新的物理通知框架，解决时间依赖的偏微分方程。仅使用控制微分方程和问题的初始和边界条件，我们生成一个潜在的表示问题的时空动态。我们的模型利用离散余弦变换来编码空间频率和递归神经网络来处理时间演化。这有效且灵活地产生压缩表示，其用于物理信息模型的附加调节。本文给出了纳维-斯托克斯方程的泰勒-格林涡解的实验结果。我们提出的模型实现了国家的最先进的性能泰勒-格林涡相对于其他物理信息的基线模型。
2022-02-24 cs.AI physics.comp-ph
Exterior complex scaling enables physics-informed neural networks for quantum scattering
Tongji University（同济大学）；Institute of Modern Physics, Chinese Academy of Sciences（中国科学院近代物理研究所）
本文提出通过外部复数缩放将散射边界条件转化为指数衰减波，使物理引导的神经网络首次应用于核反应问题，实现了高精度的相移计算和S矩阵准确性。
2026-09-29 cs.LG nucl-th physics.comp-ph
Physics-informed neural networks for tsunami inundation modeling
本研究将物理信息神经网络用于海啸浅水波方程求解以简化淹没建模，同时引入深度算子网络学习解算子以提升速度，经经典基准验证可出色模拟海啸传播与淹没过程。
2024-06-23 physics.ao-ph physics.comp-ph
Physics and geometry informed neural operator network with application to acoustic scattering
Purdue University（普渡大学）；Sandia National Laboratories（桑迪亚国家实验室）
本文提出一种物理与几何先验的DeepONet模型，利用NURBS几何参数化预测任意形状散射体的声散射压力场，无需标签数据即可在几秒内完成计算，较传统求解器减少数个数量级，展现出卓越的泛化能力。
2024-06-02 cs.LG cs.SD eess.AS
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
Non-intrusive Monitoring of Sealed Microreactor Cores Using Physics-Informed Muon Scattering Tomography With Momentum Measurements
School of Nuclear Engineering, Purdue University（普渡大学核工程学院）
利用带电粒子散射断层成像技术，提出μTRec框架，实现对密封微反应堆核心中缺失燃料的高灵敏度检测，检测能力较现有方法提升326.13%-392.14%。
2026-03-05 physics.app-ph physics.comp-ph physics.data-an
Referenceless characterisation of complex media using physics-informed neural networks
提出无需已知光学参考场的物理信息MPNN方法，用于精确表征复杂散射介质传输矩阵，显著提升聚焦效率与噪声鲁棒性，并可推广至级联介质光控制。
2023-09-26 physics.comp-ph physics.optics
Helicity-conservative Physics-informed Neural Network Model for Navier-Stokes Equations
本文提出一种基于强形式PDE的螺旋度守恒物理信息神经网络模型，通过设计合适的损失函数实现螺旋度守恒，并与有限元方法比较，证明强形式PDE更适合守恒问题。
2024-04-03 cs.NA math.NA physics.comp-ph
Physics-Augmented Learning: A New Paradigm Beyond Physics-Informed Learning
MIT（麻省理工学院）；IAIFI；KCL（国王学院）；GMU（乔治梅森大学）
将物理归纳偏差集成到机器学习中可以提高模型的泛化能力。我们将物理信息学习（PIL）的成功范例概括为一个更一般的框架，其中也包括我们所说的物理增强学习（PAL）。PIL和PAL通过分别处理辨别性和生成性而相互补充。在数值实验中，我们表明，PAL表现良好的例子，PIL是不适用或效率低下。
2021-09-28 cs.LG physics.class-ph physics.comp-ph
Physics-Informed Neural Networks for Parametric Compressible Euler Equations
针对可压缩欧拉方程数值求解难题，本文提出带自适应人工粘性降阶的物理信息神经网络，首次将该粘性概念用于多维复杂守恒律系统，可求解定常二维欧拉方程的参数化正问题，推动其向实际可压缩流应用迈进。
2024-01-29 physics.comp-ph physics.flu-dyn
Transfer Learning with Physics-Informed Neural Networks for Efficient Simulation of Branched Flows
Harvard University（哈佛大学）
物理信息神经网络（PINN）为解决微分方程提供了一种很有前途的方法，更广泛地说，可以将深度学习应用于物理科学中的问题。我们采用了最近开发的PINNs的迁移学习方法，并引入了多头模型，以有效地获得精确的解的非线性常微分方程系统的随机电位。特别是，我们应用该方法来模拟随机分支流，这是随机波浪动力学中的一种普遍现象。最后，我们比较了前馈和基于GAN的PINN在两个物理相关的迁移学习任务上取得的结果，并表明与从头开始训练的标准PINN相比，我们的方法提供了显着的计算加速。
2022-11-01 cs.LG physics.comp-ph
Finite basis Kolmogorov-Arnold networks: domain decomposition for data-driven and physics-informed problems
Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of North Carolina, Charlotte（北卡罗来纳大学夏洛特分校）；Delft University of Technology（代尔夫特理工大学）；University of Washington, Applied Mathematics（华盛顿大学应用数学系）；Brown University, Applied Mathematics（布朗大学应用数学系）
针对KAN训练成本高的问题，受FBPINN启发提出带区域分解的FBKAN，支持并行训练小KAN求解多尺度问题，在含噪数据与物理信息任务中均能得到准确结果。
2025-11-14 cs.LG physics.comp-ph
Physics-Informed Machine Learning for Optical Modes in Composites
我们证明，将物理驱动的约束嵌入到机器学习过程中可以显着提高模型的准确性和泛化能力。物理知识的学习是通过空间周期性复合材料传播的光学模式分析的例子来说明的。所提出的方法可以很容易地利用在其他情况下映射到一个特征值问题，一个已知的计算电动力学的瓶颈。物理信息学习可以用来改进机器学习驱动的设计、优化和表征，特别是在精确解决方案稀缺或缓慢提出的情况下。
2021-12-15 cond-mat.mtrl-sci physics.app-ph physics.comp-ph
Aspects of holographic entanglement using physics-informed-neural-networks
C. N. Yang Institute for Theoretical Physics, Stony Brook University（石溪大学杨振宁理论物理研究所）
本文利用物理信息神经网络计算引力熵和纠缠楔横截面，验证了该方法在任意渐近AdS度规下计算任意子区域形状的可行性，并通过已知结果和复杂案例展示其有效性。
2026-03-28 cs.LG hep-th physics.comp-ph
Physics-informed neural networks for solving parametric magnetostatic problems
Purdue University（普渡大学）
本文的目的是调查的物理信息神经网络的能力，学习的磁场响应作为一个功能的设计参数的上下文中的二维（2-D）静磁问题。我们的做法如下。首先，我们提出了一个功能，其最小化是等效的解决参数静磁问题。随后，我们使用深度神经网络（DNN）将磁场表示为描述几何特征和操作点的空间和参数的函数。我们通过使用随机梯度下降最小化物理信息泛函来训练DNN。最后，我们展示了我们的方法上的\mbox{ten-dimensional} EI核心电磁体问题的参数化几何。我们通过将DNN的预测与有限元分析的预测进行比较来评估DNN的准确性。
2022-09-29 cs.CE cs.LG physics.comp-ph
Physics-informed deep learning for incompressible laminar flows
Northeastern University（东北大学）；MIT（麻省理工学院）
近年来，基于物理的深度学习在解决计算物理问题方面引起了极大的兴趣，其基本概念是嵌入物理定律来约束/通知神经网络，需要较少的数据来训练可靠的模型。这可以通过将物理方程的残差合并到损失函数中来实现。通过最小化损失函数，网络可以逼近解。本文提出了一种混合变量的物理信息神经网络（PINN）的流体动力学方案，并将其应用于低雷诺数下的稳态和瞬态层流的模拟。参数研究表明，混合变量格式可以提高PINN的可训练性和求解精度。预测的速度和压力场的建议PINN方法也与参考数值解进行了比较。仿真结果表明，PINN的流体流动模拟具有很大的潜力，高精度。
2020-04-22 cs.LG physics.comp-ph physics.flu-dyn
Online tuning and light source control using a physics-informed Gaussian process Adi
SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
操作大型科学设施通常需要在高维空间中进行快速调谐和鲁棒控制。在本文中，我们介绍了一个新的物理通知优化算法的基础上高斯过程回归。我们的方法利用现有的领域知识的观察系统的物理模型的实现的形式。我们已经在SPEAR3储存环上应用了一种基于物理信息的高斯过程方法来演示在线加速器优化。该方法在收敛速度和最优点方面优于数据训练的高斯过程以及常规用于操作的标准方法。该方法可用于其他复杂系统的自动整定和控制，而无需任何观测数据。
2019-11-04 cs.LG physics.acc-ph physics.comp-ph
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
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
ST-PINN: A Self-Training Physics-Informed Neural Network for Partial Differential Equations
National University of Defense Technology（国防科技大学）
针对现有物理信息神经网络（PINNs）精度低、收敛性差的问题，提出融入自训练机制的ST-PINN，通过基于伪标签的自学习算法提升性能，在5类PDE问题上精度优于现有方法1.33-2.54倍。
2023-06-15 cs.AI cs.LG physics.comp-ph
Physics-informed Gaussian Process for Online Optimization of Particle Accelerators
SLAC National Accelerator Laboratory（SLAC国家加速器实验室）；University of Cambridge（剑桥大学）
高维优化是大规模科学设施运行的关键挑战。我们应用一个基于物理信息的高斯过程（GP）优化器，通过进行有效的全局搜索来调整复杂系统。典型的GP模型从过去的观测中学习来进行预测，但这降低了它们对无法获得存档数据的新系统的适用性。相反，在这里，我们使用物理模拟的快速近似模型来设计GP模型。然后，GP从连续的在线观测中进行推断，以优化系统。对储存环的在线控制方法进行了仿真和实验研究。我们表明，物理知识GP优于目前常用的在线优化的收敛速度，并在这项任务的鲁棒性。用物理学为机器学习模型提供信息的能力可能在科学中有广泛的应用。
2020-09-08 cs.LG physics.acc-ph physics.comp-ph
Physics-informed Neural-Network Software for Molecular Dynamics Applications
University of Southern California（南加州大学）；Collaboratory for Advanced Computing and Simulations（高级计算与模拟协作实验室）
我们已经开发了一个新的微分方程求解软件PND的基础上的物理信息的神经网络的分子动力学模拟器。基于Pytorch提供的自动微分技术，我们的软件允许用户灵活地实现原子运动方程，初始和边界条件，守恒定律作为损失函数来训练网络。PND配备了并行分子动力学（MD）引擎，以便用户检查和优化损失函数设计，以及不同的守恒定律和边界条件，以及超参数，从而加速基于PINN的分子应用开发。
2020-11-21 cs.LG physics.chem-ph physics.comp-ph
Physics informed neural network for charged particles surrounded by conductive boundaries
在本文中，我们开发了一个新的基于PINN的模型来预测被导电壁包围的点电荷粒子的电势。作为一个结果，建议的物理通知神经网络模型，均方误差和R2得分是小于7%和大于90%的相应的例子模拟，分别。结果与典型的神经网络和随机森林作为一个标准的机器学习算法进行了比较。随机森林模型的R2得分为70%，标准神经网络不能很好地训练。此外，计算时间显着减少相比，有限元求解器。
2023-01-05 cond-mat.mtrl-sci math-ph math.MP
Physics-informed low-rank neural operators with application to parametric elliptic PDEs
提出物理信息低秩神经算子PILNO，结合低秩核近似与编码器-解码器架构，在点云上高效逼近PDE解算子，通过物理信息惩罚训练确保约束满足，适用于多种参数化椭圆型PDE问题。
2025-09-09 cs.NA math.NA physics.comp-ph
