变种PINN，更小的误差，更高的性能！

刷到篇2025年西工大刚发的文章，讲的是PINN的新变种——VW-PINNs（PINN中PDE残差的体积加权方法），研究表明其具有更小的误差，更好的性能。

如果对PINN比较熟悉，应该很好理解VW-PINNs（下文有解析）。近年来PINN相关的研究频繁发表于《Nature》等顶级期刊，尤其改进PINN及其变种，学术认可度极高，加上其在交叉学科的应用需求，以及丰富的开源代码资源（多数改进方案都开源），PINN的变种研究已经成了论文发表潜力超大的一个方向。

当前，PINN改进比较热门的创新有算法优化、架构创新、应用拓展等，未来也可进一步聚焦多物理场建模、理论深化及跨学科融合。建议大家选择具体领域（如生物医学）切入，结合最新改进方法（如自适应权重）开搞。

本文整理了15个PINN变种，开源代码已附，需要参考的论文er可无偿获取。

全部论文+开源代码需要的同学看文末

VW-PINNs: A volume weighting method for PDE residuals in physics-informed neural networks

方法：论文通过定义体积加权残差，提出体积加权物理信息神经网络（VW-PINNs），在重新评估偏微分方程损失函数的同时，通过核密度估计开发高效的体积近似算法，验证了在非均匀采样情况下相比于PINNs，VW-PINNs在解决前向和逆向问题时具有更好的普适性、收敛性和准确性。

创新点：

• 提出了一种通过评估偏微分方程（PDE）来进行自适应采样的方法。

• 定义了体积加权残差并提出了VW-PINNs，通过在计算域内对配置点所占体积进行加权重新评估PDE损失函数。

• 针对网格无关场景下的配置点体积计算，开发了一种基于核密度估计的高效体积近似算法。

k-space physics-informed neural network (k-PINN) for compressed spectral mapping and efficient inversion of vibrations in thin composite laminates

方法：本文提出了一种名为k-PINN的新型神经网络方法，通过在波数域（k-space）中学习振动响应的傅里叶系数，解决了传统PINN在处理宽带振动问题时的频谱偏差和计算效率问题。它利用振动响应在k-space中的稀疏性，实现了高效重建和反演，并在处理稀疏数据和复杂模态时表现出色。

创新点：

• 一种新型的物理信息神经网络k-space，通过在波数域中学习振动响应，有效解决了传统PINN在处理宽带振动时的频谱偏差问题。

• 引入高斯掩模和稀疏性损失，加速了网络收敛，提高了重建结果的稀疏性和物理可解释性。

• 通过波数域映射，减少了计算复杂度，显著提高了计算效率，尤其在处理大规模数据时表现突出。

PT-symmetric PINN for integrable nonlocal equations: Forward and inverse problems

方法：论文提出了一种名为PTS-PINN的PINN变种，专门用于解决具有PT对称性的非局部方程。该方法通过将非局部项视为局部组分，避免了对非局部项的直接求导，并在损失函数中嵌入PT对称性信息，从而提高了求解精度。

创新点：

• 通过在PINN损失函数中引入非局部方程的P T -对称性属性，显著提高了解决可积非局部模型的效果。

• 使用PTS-PINN算法解决非局部方程的逆问题，包括非局部（2+1）维NLS方程和非局部三波相互作用系统。

• 通过PTS-PINN方法，成功实现对非局部方程中孤立波、周期波解的高精度学习，误差达到e-04数量级。

TGPT-PINN: Nonlinear model reduction with transformed GPT-PINNs

方法：论文提出了一种名为TGPT-PINN的新框架，通过在PINNs中引入参数依赖的变换层和震荡捕获损失函数，解决了传输主导型偏微分方程中线性模型降阶的局限性，验证了TGPT-PINN在非线性模型降阶中的有效性。

创新点：

• TGPT-PINN通过在网络中添加一个可训练的变换层，大幅提升了对参数依赖的非线性模型缩减的能力。

• TGPT-PINN采用了一种自适应的元网络结构，该结构能够自动“学习”系统的参数依赖性，并通过贪心算法逐步增大其隐藏层。

• 通过引入一个参数依赖的变换层，TGPT-PINN能够解析并准确捕捉到不连续位置的参数依赖性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“PINN变种”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏