物理信息神经网络 （Physics-Informed Neural Networks, PINNs）作为一种融合了物理定律与深度学习的新型建模方法，近年来在科学计算和工程领域取得了突破性进展。

2025年3月11日 · PINNs（Physics-Informed Neural Networks，物理信息神经网络）是一种深度学习方法，它结合了传统的数值模拟和神经网络的优点，用于解决复杂的偏微分方程（PDEs）。PINNs在处理不可解析或难以直接求解的物理问题时...

2024年2月7日 · 物理信息神经网络（Physics-Informed Neural Networks，简称PINN）是一种结合了深度学习和物理学知识的机器学习模型。与传统的数据驱动的神经网络不同，PINNs 在学习过程中利用物理法则对模型进行指导，从而提高模型泛化能力，特别是在数据较少或噪声较大的情况下。

2025年2月17日 · In this work, we present a novel Sharp-PINN framework to tackle complex phase field corrosion problems. Instead of minimizing all governing PDE residuals simultaneously, the Sharp-PINNs introduce a staggered training scheme that alternately minimizes the residuals of Allen-Cahn and Cahn-Hilliard equations, which govern the corrosion system.

2024年12月3日 · 提出了一种自适应学习率算法和全新神经网络架构，以解决基于物理信息的神经网络（PINN）中的不稳定性问题，并开发了两个PINN变种：PINN-anneal和GP-PINN。 方法： 论文提出了一种新的迁移学习框架，用于在条件偏移下针对偏微分方程（PDEs）的任务特定学习（函数 回归）。 这个框架基于深度算子网络（DeepONet），并受到条件嵌入算子理论的启发，通过在再生核希尔伯特空间（RKHS）中嵌入条件分布来最小化标记目标数据与未标记目标数据 …

2025年1月8日 · PINNs是一种将物理定律直接融入神经网络架构的深度学习模型。 传统神经网络主要基于数据训练，学习数据中的模式。 而PINNs更进一步，在训练过程中同时考虑物理规律。 例如，在求解偏微分方程（PDEs）时，PINNs把描述物理现象的PDE作为约束条件。 这使得神经网络的训练不仅要拟合数据点，还要满足已知的物理关系。 网络结构与训练中的物理信息....

PINN（Physics-Informed Neural Networks）是一种结合了深度学习和物理学知识的机器学习模型。 其主要原理是将物理原理（通常用偏微分方程数学表达）作为先验知识，通过对偏微分方程残差的惩罚来实现。 PINNs在训练过程中，不仅会根据数据进行调整，还会受到物理定律的约束，从而使得学习到的结果不仅能够拟合数据，还能够符合物理定律。 PINN的基本原理. PINN的基本思想是通过神经网络来近似解决物理问题。 例如，在固体力学问题中，平衡方程等物理定律可以 …

物理信息神经网络 （Physics-Informed Neural Networks，简称PINN）是一种结合了深度学习和物理学知识的机器学习模型。 与传统的数据驱动的神经网络不同，PINN在学习过程中利用物理法则对模型进行指导，从而提高模型泛化能力，特别是在数据较少或噪声较大的情况下。 实际上，物理信息机器学习一直是火爆且好发论文的方向，目前已有多篇成果登上Nature及Science正刊。 提起它的典型代表PINN，大家应该都不陌生。 它通过将物理知识整合到机器学习模型中，能够克 …

物理信息神经网络 (PINNs)是一种将深度学习与物理定律相结合的创新方法。 它的核心思想是在神经网络的训练过程中引入物理约束,使得模型不仅能拟合给定的数据,还能满足底层的物理规律。 神经网络结构:PINNs通常采用全连接神经网络作为基础架构。 输入层接收空间和时间坐标,输出层预测目标物理量。 自动微分:利用自动微分技术计算神经网络输出对输入的各阶导数,用于构建物理损失项。 优化过程:通过最小化总损失函数来同时优化神经网络参数和未知的物理参数 (如果有) …

This repository currently contains implementation of PINNs in TensorFlow 2 and PyTorch for the Burgers' and Helmholtz PDE. Currently working to incorporate SIREN (paper from NeurIPS 2020). For GPU installations, check for compatible PyTorch versions on the official website.