Burgers方程是流体力学中描述一维粘性流体运动的基本非线性偏微分方程，在工程和物理领域有广泛应用。近年来，随着机器学习技术的发展，Burgers方程的求解方法经历了显著变革。
Burgers方程近期进展
2023年9月24日，"物理学习：从非完美祖先模型中获取知识"探索了利用非完美祖先模型求解Burgers方程的新方法。物理学习：从非完美祖先模型中获取知识
2023年7月21日，"物理信息神经嵌入学习PDE解族有限维流形"提出了一种新的方法，用于学习Burgers方程解族的有限维流形表示。物理信息神经嵌入学习PDE解族有限维流形
2023年7月5日，"DSGNAR：物理信息神经网络的良态训练优化框架"针对Burgers方程等物理信息神经网络的训练难题提出了优化解决方案。DSGNAR：物理信息神经网络的良态训练优化框架
当前焦点与观察点
Burgers方程求解的研究正从传统数值方法向深度学习方法转变。2023年6月29日，"Hartley Neural Operator"提出了一种新的神经算子方法，可高效求解包括Burgers方程在内的多种偏微分方程。Hartley Neural Operator: 用实谱替代复谱的神经算子方法
2023年6月20日，"LiL-Q"提出了一种替代传统PINNs梯度训练的新方法，特别适用于Burgers方程这类非线性PDE。LiL-Q：一种凸拟线性化方法求解非线性PDE，替代传统PINNs梯度训练
2023年6月2日，"PINN残差引导自适应网格细化"提出了一种结合PINN与有限差分的新方法，显著提高了Burgers方程等复杂PDE的求解效率。PINN残差引导自适应网格细化，提升有限差分求解器效率