物理信息神经网络相关 AI 资讯 · AITOP · AI热报

8月31日

11:43

11:43

官方账号arXiv cs.LG@Vaibhav Mehandiratta, Saket Ramchandra

精选73°

QGPINNs是基于PyTorch开发的物理信息神经网络框架，用于求解量子图上的非局部微分方程。该框架在每个图边上使用神经网络近似解，并通过统一的基于图的损失函数强制执行控制方程。框架针对多阶分数椭圆问题和量子图上的时间分数演化方程两类非线性模型，并包含软硬约束执行、动态损失平衡等图自适应学习策略。

论文 QGPINNs 量子图物理信息神经网络

推荐理由：QGPINNs能解决量子图上的复杂微分方程，还能从噪声数据中反演分数算子阶数和物理参数，IEEE 14-bus系统测试验证了其准确性。

7月29日

10:01

10:01

官方账号arXiv cs.LG@Shivani Saini, Ramesh Kumar Vats, Arup Kumar Sahoo

该论文提出SpectONet，融合DeepONet与物理约束和Chebyshev-Gauss-Lobatto非均匀传感器放置。相比传统DeepONet使用均匀传感器，SpectONet在边界附近集中采样，提升边界敏感结构响应的表示效率。在三个合成EBB振动问题和真实桥梁振动数据集上，SpectONet相比Vanilla DeepONet、PI-DeepONet、PINN、CNN-UNet等基线，预测误差降低至少64%（合成问题）和至少37%（实测问题）。该方法实现了准确、计算高效且物理一致的算子学习框架。

论文 SpectONet DeepONet 物理信息神经网络

推荐理由：这篇论文提出了SpectONet，在梁振动问题上比传统DeepONet误差降低至少64%，物理一致性更好，值得研究结构动力学的朋友一看。

09:24

09:24

官方账号arXiv cs.LG@Muhammad Akbar Khan, Fahim Raees, Ubaida Fatima

该论文提出两阶段计算框架，用于热力学排名五种低成本本土墙体材料：泥砖、粘土-稻草土坯、石灰稳定竹板、烧制粘土砖和石灰-泥复合材料。第一阶段用Crank-Nicolson有限差分法模拟1500个周期日解；第二阶段用物理信息神经算子（PINO）学习参数到解的映射，相对L2误差5.14e-4，峰值内表面温度平均绝对误差0.201 K。PINO仅需150个FDM样本即可达到数据驱动FNO用300样本的效果。在名义炎热干燥夏季，粘土-稻草土坯获得最优成本-性能指数。气候扫描显示，在亚环境室外条件下排名反转，烧制粘土砖表现最佳。

论文 PINO FNO 物理信息神经网络

推荐理由：这篇论文用PINO精确排名五种低成本墙体材料的热性能，数据少时比纯数据驱动方法更准，还能识别不同气候下的最优方案。搞建筑节能的可以看看。

6月24日

11:46

11:46

官方账号arXiv cs.LG@Callum Marsh, Radek Erban, Andreas Munch

ESPINN框架从瞬态快照数据中反向识别相场模型，同时恢复体化学势和未知梯度系数。在一维Cahn-Hilliard方程实验中，无噪声时单快照对即能准确重建。有噪声时精度下降，但增加快照数量可降低方差、提升鲁棒性。该方法实现了数据高效且物理一致的自由能结构学习。

论文 ESPINN phase-field Cahn-Hilliard

推荐理由：这篇论文的ESPINN模型用少量快照就能反推出相场模型的化学势和梯度系数，实验稳定，值得关注。

6月11日

10:10

10:10

官方账号arXiv cs.LG@Zhen Zhang, Alessandro Alla, George Em Karniadakis

精选

该研究对偏微分方程约束逆问题中的伴随优化方法和物理信息神经网络进行了公平对比。通过统一抽象公式、匹配优化器、参数化及精度，在多个基准测试（如非稳态Burgers方程、噪声Darcy渗透率反演、三维Allen-Cahn反应识别、非稳态Navier-Stokes粘度识别）中评估两者性能。结果表明，未知参数的表示形式决定方法优劣：网格基场适合离散伴随，而神经表示是PINN的天然优势。对于时间依赖问题，伴随方法受轨迹存储和微分成本制约，而PINN能以更低成本获得满意重建。PINN热启动伴随策略能以大幅降低的成本恢复伴随级精度。

论文伴随方法物理信息神经网络 PDE约束逆问题

推荐理由：做计算力学和逆问题研究的团队，这篇论文帮你省去选择方法的纠结——它给出了伴随法和PINN在不同场景下的明确优劣边界，看完可以直接指导你的实验设计。

6月2日

12:02

12:02

官方账号arXiv cs.LG@Henry Kasumba, Ronald Katende

该研究提出一种混合策略，利用物理信息神经网络（PINN）作为离网残差探针，为有限差分求解器提供自适应网格细化（AMR）指导。PINN在域内采样残差并转换为单元级指示器，引导网格加密，最终由经典有限差分求解器完成近似计算。在一维粘性Burgers方程测试中，PINN阈值细化方法仅用60个自由度即达到0.021067的相对L²误差，而均匀细化需192个自由度才达到0.022617，误差降低约67.5%。在2D和3D代理测试中，PINN残差能组织结构化细化并优于随机细化，但未持续超越梯度指示器。该方法将物理信息诊断能力融入经典求解器，在保持可靠性的同时提升计算效率。

论文物理信息神经网络自适应网格细化有限差分求解器

推荐理由：做偏微分方程数值模拟的团队，可以用PINN残差替代传统误差估计器来指导网格自适应，显著节省计算资源——60个自由度就能达到192个自由度的精度，值得在工程仿真中试试。

5月11日

11:44

11:44官方账号arXiv cs.LG（学术论文）

本研究提出自适应域分解物理信息神经网络（ADD-PINN），用于从稀疏固定传感器数据中重建交通速度场。该方法首先训练一个粗粒度的全局PINN，利用其残差分布指导子域划分和子网络初始化，并使用数据驱动的激波指示器决定是否启用多域分解。在I-24 MOTION数据集上的大规模评估（1500次运行）显示，ADD-PINN在25种配置中的18种和15种稀疏传感配置中的14种取得了最低的相对L2误差，同时训练速度比扩展PINN（XPINN）基线快2.4倍。NGSIM实验作为阴性对照，验证了激波指示器在所有50次运行中抑制了分解，默认单域回退方案表现最佳。这表明残差引导的空间分解是针对稀疏固定传感场景的高效PINN设计。

论文物理信息神经网络交通估计域分解

推荐理由：该工作为物理信息神经网络在稀疏传感交通估计中的实际部署提供了实用框架，残差引导的域分解策略可推广至其他涉及不连续性的PINN应用，其训练效率提升对资源受限场景有直接价值。