PINN再登Nature！2025持续发力！

物理信息神经网络（Physics-Informed Neural Networks，简称PINN）是一种将深度学习与物理建模相结合的神经网络模型。它通过将物理定律（通常是偏微分方程或常微分方程）嵌入到神经网络的损失函数中，使模型在训练过程中能够同时满足物理规律和数据约束

我还整理出了相关的论文+开源代码，以下是精选部分论文

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】

论文1

标题：

Wavelets based physics informed neural networks to solve non-linear differential equations

基于小波的物理信息神经网络求解非线性微分方程

方法：

• 小波激活函数：在物理信息神经网络（PINN）中引入小波作为激活函数，利用小波的多分辨率分析和局部化特性来增强网络的泛化能力。

• 物理信息神经网络（PINN）：通过将物理定律嵌入损失函数中，构建一个近似微分方程解的神经网络，并通过优化损失函数来训练网络。

• 损失函数设计：定义了包含微分方程残差、边界条件和初始条件的损失函数，通过最小化该损失函数来优化网络参数。

创新点：

• 小波激活函数的应用：使用小波作为激活函数，相比传统的激活函数（如tanh），在求解Blasius方程时，相对L2误差降低了约6.59E-03，且学习速度更快。

• 多种小波函数的比较：研究了Morlet小波、墨西哥帽小波和高斯小波三种不同的小波函数，并发现墨西哥帽小波在某些问题中表现最佳，其相对L2误差最低。

• 耦合方程的求解：将该方法扩展到求解线性和非线性耦合方程，通过分别使用独立的神经网络模型来近似不同的函数，简化了网络架构并提高了求解精度。

论文2

标题：

Physics-Informed Neural Operator for Learning Partial Differential Equations

用于学习偏微分方程的物理信息神经算子

方法：

• 物理信息神经算子（PINO）：提出了一种结合训练数据和物理约束的学习框架，用于学习给定参数化偏微分方程（PDE）族的解算子。

• 多分辨率数据与PDE约束：在PINO中，将低分辨率的训练数据与高分辨率的PDE约束相结合，以提高解算子的近似精度。

• 傅里叶神经算子（FNO）框架：基于FNO框架，通过在更高分辨率下添加PDE约束，实现对真实解算子的高保真重建。

创新点：

• 多分辨率学习：首次将数据和PDE约束在不同分辨率下结合，即使在只有低分辨率训练数据的情况下，也能在高分辨率测试实例上实现几乎无误差的解算子近似，相对误差降低了约7%。

• 零样本超分辨率：在没有高分辨率训练数据的情况下，PINO能够通过PDE约束预测超出训练数据分辨率的解，且在Kolmogorov流问题中，与仅使用数据驱动方法相比，误差显著降低。

• 物理约束的优化优势：相比纯数据驱动方法，PINO通过添加PDE约束，显著提高了算子学习的泛化能力和物理合理性，且在求解时间依赖PDE时，优化挑战更小。

论文3

标题：

Data-driven modeling of dislocation mobility from atomistics using physics-informed machine learning

基于小波的物理信息神经网络求解非线性微分方程

方法：

• 物理信息图神经网络（PI-GNN）：提出了一种基于物理信息的图神经网络框架，用于从原子尺度模拟中学习位错迁移率定律。

• 高通量分子动力学模拟：通过自动化高通量大规模分子动力学（MD）模拟生成训练数据，涵盖不同的温度和应力条件。

• 不确定性量化驱动的主动学习（UQ-AL）：采用主动学习框架，动态选择最具不确定性的数据点进行模拟，以加速模型训练和收敛。

创新点：

• PI-GNN框架：相比传统的基于经验的位错迁移率模型，PI-GNN能够更准确地捕捉BCC金属中复杂的位错动力学行为，预测误差降低了约50%。

• 主动学习效率提升：通过UQ-AL框架，相比被动学习方法，减少了超过40%的计算资源消耗，显著提高了数据生成和模型训练的效率。

• 模型泛化能力：PI-GNN不仅能够学习特定数据集的位错行为，还能泛化到未见的位错构型（如从偶极子数据泛化到剪切环数据），泛化误差控制在20%以内。

论文4

标题：

Physics-informed learning of governing equations from scarce data

从稀疏数据中学习物理定律的物理信息学习方法

方法：

• 物理信息神经网络与稀疏回归（PINN-SR）：提出了一种结合深度神经网络和稀疏回归的方法，用于从稀疏和噪声数据中发现偏微分方程（PDE）。

• 自动微分：利用自动微分技术计算系统变量的导数，避免了传统方法中数值微分带来的误差。

• “根-分支”网络架构：设计了一种能够处理来自不同初始/边界条件的多数据集的网络架构，增强了模型的泛化能力。

创新点：

• 稀疏数据适应性：相比传统的SINDy方法，PINN-SR能够在数据稀疏和噪声较高的情况下准确发现PDE，例如在10%噪声水平下，Burgers方程的发现误差仅为0.88%。

• 多数据集处理能力：通过“根-分支”网络架构，能够同时处理多个独立数据集，显著提高了模型在复杂条件下的适用性。

• 计算效率提升：通过ADO算法，相比直接优化的方法，显著提高了优化效率和收敛速度，减少了计算资源消耗。

• 物理可解释性：通过稀疏回归得到的PDE系数具有明确的物理意义，能够直接揭示系统的物理规律，例如在细胞迁移和增殖实验中，成功发现了与Fisher-Kolmogorov模型一致的PDE。

 

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】