物理信息神经网络杀疯了！Nature+Science=PINN

2024深度学习发论文&模型涨点之——PINN

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，能够克服传统方法对大量标记数据数据的依赖，在提高模型预测准确性、可解释性、数据利用效率方面，举足轻重！此外，该方向发展还不久，既有很多成果可参考，又有很多创新机会！你结合自己的数据集，换个场景，便又是新文章！

小编整理了一些PINN【论文+代码】合集，需要的同学关注公人人人号“AI创新工场”回复“PINN”即可全部领取

论文精选

论文1：

【Nature】Physics-informed learning of governing equations from scarce data

从稀缺数据中学习物理信息以掌握控制方程

方法

• 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。

• 自动微分：利用深度神经网络的自动微分能力来准确计算解的导数，避免数值微分带来的挑战。

• 稀疏回归：通过稀疏回归来识别形成方程结构和显式表达式的关键导数项和参数。

• 交替方向优化（ADO）算法：提出了一种优化策略&#