基于物理信息的神经网络（PINN）基础【1】与文言一心模型测试

1. 基于物理信息的神经网络基本概念

基于物理信息的神经网络（Physics-informed Neural Network， 简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。

2. 论文概览：布朗大学Raissi等提出的PINN网络模型

2019年，来自布朗大学应用数学的研究团队Raissi和Perdikaris 等提出了一种用物理方程作为运算限制的“物理激发的神经网络” (PINN) 并发表在了计算物理学领域权威杂志《计算物理学期刊》(Journal of Computational Physics) 上。这篇论文一经发表就获得了大量关注。这篇论文因为代码体系的完整性使得开发人员们很容易上手把相关的学习框架应用到不同领域上去。所以在发表不久之后，一系列不同的PINN也被其他研究者开发出来。甚至可以不夸张的说，PINN是目前AI物理领域论文中最常见到的框架和词汇之一。

• PINN基本原理
  这篇论文提到的PINN，实际上是一种基于物理信息的神经网络，其实就是把物理方程作为限制加入神经网络中使训练的结果满足物理规律。而这个所谓的限制是怎么实现的？其实就是通过把物理方程的迭代前后的差值加到神经网络的损失函数里面去，让物理方程也“参与”到了训练过程。这样，神经网络在训练迭代时候优化的不仅仅的网络自己的损失函数，还有物理方程每次迭代的差，使得最后训练出来的结果就满足物理规律了。
• 非线性偏微分方程的神经网络求解基本思路：这篇文章提出了两种求解方法，第一种模型形成了一个新的高效数据驱动系列模型，能够充分利用时空编码信息；第二种模型允许使用具有任意无限级数的精确隐式Runge-Kutta时间步进方案。</