摘要：PINN这么好用，大家都学会了吗？本文收集了70个PINN过去1年内的最新创新研究，其中有多篇研究发表在《Nature》上。而且全部都有对应的开源代码。
最近有一个大热门：物理信息神经网络（PINN），不仅是各大顶会常客，还连登《Nature》。
PINN是将物理定律嵌入深度学习框架，约束神经网络训练的新型方法。特别适用于解决AI交叉学科中复杂的偏微分方程。
可以说，PINN能够大大降低实验难度，让你更容易得到理想的结果，而且结合PINN的研究更具有创新性，这就是PINN现在特别好发paper的原因！
PINN这么好用，大家都学会了吗？本文收集了70个PINN过去1年内的最新创新研究，其中有多篇研究发表在《Nature》上。而且全部都有对应的开源代码。
大家可以把论文下载下来，然后通过代码复现来学习如何更好的使用PINN。
下滑查看全部70个PINN创新研究
《Nature》用于解决时间相关模式分辨声子玻尔兹曼传输方程的PINN
《Nature》多层次物理学指导深度学习解决计算结构力学中的偏微分方程
《Nature》基于PINN模拟热腔流
《Nature》用于现实世界优化任务的PINN计算
《Nature》PINN用于锂离子电池退化稳定建模和预测
《Nature》PINN建模生理时间序列以进行无袖带血压估计
使用PINN的基于物理的动态模型混合
用于求解偏微分方程的PINN中的可学习激活函数
使用PINN分析婴儿灌注 MRI
PINN在函数微分方程中的应用：圆柱近似及其收敛保证
在PINN中通过投影保证守恒定律
SincKAN在PINN中的应用
PINN进行动态系统的响应估计和系统识别
用于训练PINN的双锥梯度下降
PINN影响函数
PINN用于铁电微结构演化的相场模型
解决积分算子问题的高效PINN
点神经元学习：一种新的PINN架构
PINN的函数张量分解
通过软约束PINN求解振子微分方程的小数据特征性能研究
用于求解微分方程的PINN
Lyapunov weights在PINN中传达时间的意义
使用最小二乘法优化变分PINN
改进PINN可减轻梯度相关故障
使用PINN和新的因式分解方程进行同步 P 波和 S 波地震走时层析成像
用于解决偏微分方程逆问题的数据引导PINN
基于物理信息的卷积神经网络的自动机器学习
贝叶斯数据同化的随机PINN
用于解决正向和逆问题的KINN
PINN解决一维层流火焰的正向和逆问题
采用基于PINN来优化蚊子种群动态中的微分方程
结合PINN和有限差分求解正向和逆时空 PDE
实用的训练算法区域优化 PINN
通过进化计算发现用于解决偏微分方程的PINN模型
用于直流阻断器放置的物理信息异构图神经网络
用于多旋翼吊装系统建模的PINN
共形PINN
利用宽网络和有效激活最小化残差损失的PINN
PINN中的最佳时间采样
利用PINN推断二维湍流参数并重建
用于供水系统的PINN
使用PINN表征抗心律失常药物对心脏电生理的影响
使用PINN重建木星磁场
评估PINN在地震和爆炸震相区分中的性能
以天体和等离子体物理学为基础用于解决偏微分方程的PINN
通过PINN识别生物组织的异质微机械特性
通过物理信息神经网络识别生物组织的异质微机械特性
使用PINN近似 Fisher 方程的精确解系列
具有硬线性等式约束的PINN
基于PINN的风流场数据同化框架
使用PINN模拟全球表面灰尘沉积
基于PINN和网格变换的翼型亚音速流动求解器
PINN逆建模方法快速评估左心室收缩力
用于解决一般几何形状的固体力学问题的PINN
用于具有时空和幅度多尺度特性的Kelvin-Helmholtz不稳定性的PINN
平滑核梯度加速的物理信息深度学习SK-PINN
更快速求解PINNs的高阶ReLU-KAN
用于耦合移动边界偏微分方程的PINN方法
利用PINNs近似系外行星大气中的瑞利散射
通过代数包含边界和初始条件改进PINNs
用于界面动力学多相场模拟的PINN
线性椭圆方程一维边界值问题的PINN的鲁棒误差估计
椭圆偏微分方程的一致 PINN 的收敛和误差控制
PINN的优化过程
退火自适应重要性抽样法在 PINN 中用于求解高维偏微分方程
PINN自适应定位和实验点选择
TGPT-PINN进行非线性模型降阶
PINN中的非傅里叶位置嵌入
PINN中的特征映射
损失景观视角的PINN训练挑战
70个PINN创新研究 paper与代码文件
以上70个PINN的创新研究，都是过去1年内的，还有多个研究登上了《Nature》。不仅时效性很新，而且还得到了学术界的广泛认可。
我在整理的时候，也帮大家把论文的创新思路都翻译成中文，方便大家直接找自己想要的领域去学习。
而且，全部70个PINN创新思路，都有对应的开源代码，方便大家复现，或者拿来魔改到自己的实验里。
资料无偿分享，有需要的小伙伴可以来扫码领取。
还有很多同学处在PINN的入门阶段。直接去阅读论文会有一定的难度。这些同学更需要由PINN领域的专业老师来带领进行入门学习。
这里也分享一个完全免费的PINN入门课。由美国知名高校博士择木老师主讲。择木老师主要从事物理信息神经网络、无损检测和结构模态识别等前沿研究。
择木老师发表过十余篇顶会论文，在MSSP发表PINN相关一作，并担任多个国际知名期刊审稿人，包括MSSP、JSV、SCHM和ES等。
这个课是完全免费的，感兴趣的同学可以扫码学习。
70个PINN创新研究 paper与代码文件
来源：采文科学乐园
