不愧是PINN！Nature和Science双发！AI赋能流体力学，数值模拟更精准！

PINN（物理信息神经网络）真的杀疯了！

不仅连续登上《Nature Machine Intelligence》和《Science》，在今年还小蹭了一把诺贝尔物理学奖的热度~诺贝尔物理学奖的两位获奖者所作出的贡献就在于利用物理学训练人工神经网络，一种融合物理学与神经网络的创新思路！

PINN的优势在于它能够将神经网络的拟合能力与物理知识的约束相结合，从而提高了模型的泛化能力、预测准确性以及数据利用效率，特别是在数据较少或噪声较大的情况下表现尤为突出。

目前，PINN的研究热度持续不减，在处理复杂物理问题上的灵活性和泛化能力无可替代，是学术界长热不衰的发文香饽饽。

我整理了10篇最新的【物理信息神经网络PINN】论文。还把发布在《Science》和《Nature》子刊的论文为大家扒出来了！需要的同学添加工中号【真AI至上】 回复 PINNs 即可全部领取。

Hidden Fluid Mechanics: Learning Velocity and Pressure Fields from Flow Visualizations

文章解析：

本文提出了一种基于深度学习的方法，通过流体可视化数据来学习流体的速度和压力场。

该方法结合了物理定律和神经网络模型，能够在不依赖边界条件的情况下准确预测流体动力学行为，为流体力学的数值模拟提供了新的途径。

创新点：

1.提出了一种物理信息深度学习框架，能够从流体可视化数据中直接学习速度和压力场。

2.通过神经网络模型结合物理定律，减少了对边界条件的依赖，提高了模型的鲁棒性和泛化能力。

3.在多个基准问题上验证了该方法的有效性，展示了其在复杂流体动力学问题中的应用潜力。

研究方法：

1.基于传输方程和Navier-Stokes方程，构建了一个非量纲化的数学模型。

2.使用物理信息深度学习方法，将物理定律嵌入神经网络模型中，以学习流体的动力学行为。

3.通过选择具有足够浓度梯度的训练边界区域，减少对速度和压力边界条件的显式施加需求。

研究结论：

1.该方法能够在不依赖边界条件的情况下，准确预测流体的速度和压力场。

2.在多个基准问题上的测试表明，该方法具有较高的准确性和鲁棒性。

3.该方法为流体力学的数值模拟提供了一种新的、高效且可靠的技术手段。

需要的同学添加工中号【真AI至上】 回复 PINNs 即可全部领取。

SINCKOLMOGOROV -ARNOLD NETWORK AND ITS APPLICATIONS ON PHYSICS -INFORMED NEURAL 

NETWORKS

文章解析：

本文提出了一种新的神经网络架构——SincKolmogorov-Arnold网络（SincKAN），该网络利用Sinc插值方法替代传统的三次样条插值，以更好地处理具有奇点的函数。

通过一系列实验验证了SincKAN在网络性能和解决偏微分方程方面的优越性。

创新点：

1.提出了SincKolmogorov-Arnold网络（SincKAN），一种能够有效处理奇点的新网络架构。

2.利用Sinc插值方法替代传统的三次样条插值，提高了网络处理奇点问题的能力。

3.通过实验验证了SincKAN在网络性能和解决物理信息偏微分方程方面的优势。

研究方法：

1.介绍了物理信息神经网络（PINNs）的基本原理和应用场景。

2.详细解释了Sinc插值方法及其在SincKAN中的应用。

3.通过多个基准测试，包括平滑函数、不连续函数和边界层问题，比较了SincKAN与MLP、KAN等网络的性能。

研究结论：

1.SincKAN在处理具有奇点的函数时表现出色，能够有效缓解物理信息神经网络中的谱偏置问题。

2.SincKAN在解决偏微分方程方面优于传统的PINNs，特别是在处理复杂物理问题时。

3.未来的研究方向包括进一步优化SincKAN的性能和扩展其应用范围。

需要的同学添加工中号【真AI至上】 回复 PINNs 即可全部领取。