2024年2月7日 · PINN是将物理定律嵌入深度学习框架，约束神经网络训练的新型方法。特别适用于解决AI交叉学科中复杂的偏微分方程。可以说，PINN能够大大降低实验难度，让你更容易得到理想的结果，而且结合PINN的研究更具有创新性，这就是PINN现在特别好发paper的原因！

物理信息神经网络（pinn）与 稀疏回归 ：提出了一种新方法，使用深度神经网络结合稀疏回归来从少量且嘈杂的数据中发现控制非线性时空系统的偏微分方程。

In this work, a path-dependent adaptive physics-informed neural network (PINN) is proposed for multiaxial fatigue life prediction. Several critical plane models are incorporated into the loss function, with weights optimized through a genetic algorithm and meta-learning framework which considers path-dependent non-proportional information.

2022年12月9日 · PINN能够学习偏微分方程，与传统方法相比有几个优点。特别是，pinn是一种无网格方法，可以在训练阶段后按需计算解，并且它们允许使用分析梯度使解可微。

【摘要】 基于物理信息的神经网络（ Physics-informed Neural Network ， 简称PINN），是一类用于解决有监督学习任务的神经网络，它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。与纯数据驱动的神经网络学习 ...

2025年1月16日 · 物理信息神经网络（pinn）框架：提出了一种结合图嵌入的pinn框架（gpinn），在图（拓扑空间）中执行pinn，以提高问题求解效率。 图嵌入技术：通过引入额外维度来封装图的空间特征，同时保留原始空间的属性，这些额外维度的选择由Fiedler向量指导，提供 …

2024年12月20日 · pinn技术是一种新兴的数据驱动方法，用于在缺乏精确解析解的情况下，结合物理定律和数据来学习系统的动态行为。 本文将深入探讨 PINN 模型如何被应用到量子力学领域中的 一 项基本方程——瞬态薛定谔方程，从而揭示其在...

Physics-informed neural network (PINN) has recently gained increasing interest in computational mechanics. This work extends the PINN to computational solid mechanics problems. Our focus will be on the investigation of various formulation and programming techniques, when governing equations of solid mechanics are implemented.

2023年12月17日 · 2019年，来自布朗大学应用数学的研究团队提出了一种用物理方程作为运算限制的“物理激发的神经网络” (PINN) 并发表在了计算物理学领域权威杂志《计算物理学期刊》(Journal of Computational Physics) 上。

2024年12月18日 · 该模型通过结合物理模型和数据驱动的方法，利用 动态拉普拉斯矩阵 和偏微分方程（PDE）来捕捉多变量时间序列中的复杂时空特征，并使用 归一化流 （NF）来评估图中每个节点的重要性，以提高模型的可解释性。 实验结果表明，HSPGNN在四个基准数据集上表现出色，尤其在处理复杂缺失模式时，相比于传统数据驱动模型，具有更好的鲁棒性和解释能力。 内容： 研究提出了一个图神经网络，能够快速且准确地预测DNA折纸组装体的三维构象。 研究者开 …