Nature收割机：PINN改进！最新成果及开源代码已扒！

PINN改进实在太好发论文了！在Nature、Science，和NeurIPS、ICLR等顶会上，都是霸榜的存在。像是预测误差直降1000倍的PINN-Proj；求解速度狂飙100倍的PINCO；精度和计算效率兼备的PIBO……

这是因为，PINN应用非常广泛，但凡需要求解偏微分方程的领域，几乎都离不开它。比如流体力学、固体力学、材料科学、生物医学等等。但同时，其也面临计算复杂度高、处理高维数据困难、需要跨学科的专业知识等问题，因而对其的研究成为了迫切需求。

同时，应用领域丰富也意味着，结合不同的场景和数据集，很好做微创新，好出创新点。

目前热门的思路有：PINN自身的改进（自适应、加权损失函数……）、与其他技术结合（PINN+GNN、+LSTM、+贝叶斯、+迁移学习……）。每种创新思路，我都给大家准备了参考论文和源码，共33篇，一起来看！

论文原文+开源代码需要的同学看文末

PINN自身改进

 A Physics-Informed Composite Network for  Modeling of Electrochemical Process of  Large-Scale Lithium-Ion Batteries

内容：本文提出了一种用于大规模锂离子电池（LLBs）电化学过程建模的物理信息复合网络（PICN）。准确建模LLBs的电化学过程对于其设计和管理至关重要，但传统的二维物理模型因包含复杂的偏微分方程（PDEs）难以求解。PICN由四个深度神经网络（DNNs）组成，分别估计四个关键电化学状态的分布，其架构受PDE特征启发，能够以轻量级的DNN实现高精度。PICN结合物理知识和数据，在有限数据下也能准确估计，甚至可估算无法直接测量的电化学状态分布。此外，PICN还提出了基于低频信息的预训练策略和两阶段损失平衡策略，以解决训练中的收敛失败和损失不平衡问题。实验表明，PICN优于现有先进模型。

PINN+GNN

 PHYSICS-INFORMED GNN FOR NON-LINEAR CON STRAINED OPTIMIZATION: PINCO A SOLVER FOR THE  AC-OPTIMAL POWER FLOW

内容：这篇文章介绍了一种名为PINCO的方法，用于解决电力系统中的交流最优潮流（AC-OPF）问题。AC-OPF是一个非线性优化问题，传统方法如线性化求解或非线性规划求解存在计算负担大、不保证全局最优等局限性。PINCO结合了图神经网络（GNN）和物理信息神经网络（PINN）的思想，通过无监督学习的方式，在满足不等式约束的前提下，快速准确地求解AC-OPF问题。

PINN+贝叶斯

 Bayesian Physics-Informed Extreme Learning Machine for Forward  and Inverse PDE Problems with Noisy Data

内容：这篇文章提出了一种名为贝叶斯物理信息极限学习机的新方法，用于解决带有噪声数据的正向和逆向偏微分方程（PDE）问题。BPIELM结合了物理信息神经网络（PINN）和贝叶斯方法，通过在极限学习机（ELM）的输出层引入先验概率分布，并利用贝叶斯方法估计参数的后验分布，从而量化噪声数据带来的不确定性。与传统的物理信息极限学习机（PIELM）相比，BPIELM能够提供更准确的预测，并且在计算成本上显著低于物理信息神经网络（PINN）。

PINN+LSTM 

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

内容：本文提出了一种用于长期航天器锂离子电池荷电状态（SOC）估计的物理信息事件触发学习方法。该方法结合了物理信息和事件触发机制，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。

PINN+傅里叶变换

 Global-local Fourier Neural Operator for  Accelerating Coronal Magnetic Field Model

内容：本文提出了一种名为全局-局部傅里叶神经算子（GL-FNO）的方法，用于加速太阳日冕磁场模型的计算。GL-FNO结合了全局和局部傅里叶神经算子，通过降采样的输入重建全局特征，并通过原始分辨率的输入捕捉细节特征。该方法在预测速度（几秒内完成预测，比传统磁流体动力学（MHD）模拟快20000倍以上）和预测可靠性方面表现出色，能够为理解空间天气动态提供有力支持。

PINN+注意力机制

 MAD-SCIENTIST: AI-BASED SCIENTIST SOLVING  CONVECTION-DIFFUSION-REACTION EQUATIONS US ING MASSIVE PINN-BASED PRIOR DATA

内容：本文提出了一种名为“MaD-Scientist”的基于人工智能的科学家模型，旨在利用物理信息神经网络（PINN）生成的大量先验数据解决对流-扩散-反应方程。该方法通过收集低成本的PINN近似先验数据，利用Transformer架构的自注意力和交叉注意力机制，在无需已知控制方程的情况下，以零样本学习的方式预测偏微分方程（PDE）的解。实验结果表明，即使在先验数据存在噪声的情况下，该模型依然能够稳健地进行预训练，并且对测试精度的影响微乎其微。

PINN+迁移学习

 Physics-Informed Deep Learning and Partial  Transfer Learning for Bearing Fault Diagnosis in  the Presence of Highly Missing Data

内容：本文提出了一种名为PTPAI的方法，用于解决轴承故障诊断中存在的数据缺失、类别不平衡和部分集故障诊断（PSFD）问题。该方法通过物理信息深度学习技术生成合成数据作为源域，并利用未标记且存在大量缺失数据的实际数据作为目标域。为应对类别不平衡和PSFD问题，PTPAI引入了RF-Mixup正则化技术来处理不平衡类别，并采用MK-MMSD和CDAN等技术来减少合成数据与实际数据之间的分布差异。此外，PTPAI还通过加权模块在类别和实例级别进行加权，以解决PSFD问题。实验结果表明，PTPAI在CWRU和JNU数据集上有效解决了这些问题，优于现有的先进方法。

PINN+多任务学习

 META-PINN: META LEARNING FOR IMPROVED NEURAL  NETWORK WAVEFIELD SOLUTIONS

内容：本文提出了一种名为Meta-PINN的方法，用于提高物理信息神经网络（PINN）在求解地震波场问题中的性能。该方法通过元学习（Meta Learning）技术训练一个通用的网络初始化，使其能够快速适应新的速度模型并获得准确的波场解。Meta-PINN框架首先利用元学习在多个速度模型上训练一个通用的网络初始化，然后将此初始化用于新的速度模型的PINN训练中，显著提高了收敛速度和结果精度。数值实验表明，与传统的随机初始化PINN相比，Meta-PINN在简单层状模型和复杂的Overthrust模型上均展现出更快的收敛速度和更高的波场解精度，且该方法可以与现有的优化技术结合以进一步提升性能。

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【改PINN】获取完整论文

👇