PINN+LSTM天作之合！最新idea霸榜一区！

PINN再出神操作！与LSTM结合，拿下多篇一区！模型PI-LSTM更是取得了准确率飙升66.57％的拔群效果！

这主要得益于：PINN可以通过引入物理定律，来约束神经网络的训练过程，从而减少过拟合的风险。而LSTM的记忆单元和门控机制，则能够捕捉和保持时序中的关键信息，进一步提高模型的预测能力。两者结合，优势互补，对提高模型精度大有裨益！此外，其还有助于提高模型的泛化能力，增强模型的抗噪性和训练效率。

目前这种结合方式，在工业界和学术界，都非常有研究价值。它为我们处理那些同时包含物理规律和时序依赖性数据的任务，提供了全新的视角！像是故障诊断、气象预测、医学图像分析等都有它的身影！

为让大家紧跟领域前沿，掌握主流研究方法，早点发出自己的顶会，我给大家准备了8种创新思路，一起来看！

论文原文+开源代码需要的同学看文末

A Physics-Informed Event-Triggered Learning Approach to Long-Term Spacecraft Li-Ion Battery State-of-Charge Estimation

内容：文章提出了一种结合物理信息和事件触发学习的方法，用于长期准确估计航天器锂离子电池的剩余电量（SOC），通过利用电池的物理特性来增强学习模型的预测能力，并通过事件触发机制减少数据采集频率，从而提高计算效率和延长电池寿命。

PHYSICS-INFORMED MACHINE LEARNING FOR SEISMIC RESPONSE PREDICTION OF NONLINEAR STEEL MOMENT RESISTING FRAME

内容：文章介绍了一种物理信息机器学习（PiML）方法，用于预测非线性钢结构框架结构的地震响应。该方法通过将科学原理和物理定律融入深度神经网络，利用模型降阶、长短期记忆（LSTM）网络和牛顿第二定律等技术，以提高模型的准确性、可解释性和鲁棒性。通过在DesignSafe-CI数据库中的地震设计原型框架上进行评估，该模型能够处理比现有物理引导LSTM模型更复杂的数据，并优于其他非物理数据驱动的神经网络。

Physics-Informed Neural Network for Multirotor Slung Load Systems Modeling

内容：文章提出了一种基于物理信息神经网络（PINN）的方法，用于建模多旋翼无人机携带吊挂负载的系统。该方法利用长短期记忆（LSTM）编码器-解码器网络结合注意力机制，捕捉系统的动态行为，并通过在损失函数中引入基于物理的项来确保预测状态之间的一致性。通过使用真实世界的数据集进行训练，该模型在预测多旋翼无人机携带吊挂负载的未来状态方面优于传统的物理模型和没有物理约束的神经网络模型。

Physics-Informed LSTM-Based Delay Compensation Framework for Teleoperated UGVs

内容：文章提出了一种基于物理信息长短期记忆（PiLSTM）网络的延迟补偿框架，用于远程操作的低速无人地面车辆（UGV）在软地形上的双向遥操作。该框架通过整合LSTM结构和物理约束，有效地补偿了网络延迟带来的影响，提高了系统的性能和透明度，使UGV能够更好地跟踪指令并应对地形引起的纵向滑移问题。实验结果表明，该框架在开环和闭环场景中均优于传统的无模型预测器框架，显著提高了系统的稳定性和命令跟踪性能。

码字不易，欢迎大家点赞评论收藏！

关注下方《AI科研技术派》

回复【PLSTM】获取完整论文

👇