物理信息神经网络太火了！132个必备的创新方案和Pytorch代码

摘要：又连发多篇Nature，物理信息神经网络（PINN）实在太火了！想发论文的伙伴，一定别错过！毕竟，现在各学科与AI交叉是大热门，桎梏各个学科的恰啥是偏微分方程求解，而这些则是PINN的长项！

又连发多篇Nature，物理信息神经网络（PINN）实在太火了！想发论文的伙伴，一定别错过！毕竟，现在各学科与AI交叉是大热门，桎梏各个学科的恰啥是偏微分方程求解，而这些则是PINN的长项！

为方便大家研究的进行，我给大家准备了132个必备的创新方案和源码，不仅涵盖了入门阶段的必读文献，还覆盖了目前最新的前沿（自适应PINN、+贝叶斯、+频域、+GNN、+LSTM、+傅里叶变换、+迁移学习、+注意力机制、+多任务学习……）

尤其值得一提的是，我还给大家准备了适合PINN初学者的，基于Pytorch的代码项目，中英文注释都有！所有资源都已打包好，可以无偿分享你！

免费获取全部论文合集及项目代码

PINN+GNN

【Nature】Combinatorial Optimization with Physics-Inspired Graph Neural Networks

内容：这篇文章提出了一种基于图神经网络（GNN）的物理启发式方法，用于解决组合优化问题。作者展示了如何将GNN应用于二次无约束二进制优化（QUBO）问题，例如最大割（MaxCut）和最大独立集（MIS），并通过放松问题哈密顿量生成可微分的损失函数来训练GNN。该方法能够扩展到包含数百万变量的问题，并在性能上与现有求解器相当或更优。

PINN+贝叶斯

【Nature】A physics informed bayesian optimization approach for material design: application to NiTi shape memory alloys

内容:这篇文章提出了一种物理信息贝叶斯优化（Physics-Informed Bayesian Optimization, PIBO）方法，用于材料设计，特别是针对NiTi形状记忆合金的优化。研究中通过将物理知识融入高斯过程的核函数中，将贝叶斯优化从“黑箱”优化转变为“灰箱”优化，显著提高了决策效率和数据利用效率。通过在NiTi形状记忆合金的加工参数优化中应用该方法，成功地在更少的迭代中找到了更高的相变温度，展示了物理信息贝叶斯优化在材料设计中的潜力。

PINN+LSTM

【一区】A Physics-Informed Event-Triggered Learning Approach to Long-Term Spacecraft Li-Ion Battery State-of-Charge Estimation

内容：这篇文章介绍了一种物理信息驱动的事件触发学习方法，用于长期航天器锂离子电池的荷电状态估计。这种方法可能结合了物理模型和数据驱动的学习算法，通过事件触发机制来优化SoC估计的准确性和效率，从而提高航天器电池管理系统的性能和可靠性。

免费获取全部论文合集及项目代码

PINN+频域

【Nature】SRS-Net: a universal framework for solving stimulated Raman scattering in nonlinear fiber-optic systems by physics informed deep learning

内容：这篇文章介绍了一种名为 SRS-Net 的物理信息深度学习框架，用于解决非线性光纤系统中的受激拉曼散射问题。SRS-Net 结合了神经网络的高效自动微分能力和 SRS 物理定律的正则化，能够为 SRS 的正向、逆向以及组合问题提供通用解决方案。通过广泛的模拟和实验验证，SRS-Net 在不同场景下展示了直观的求解过程和高速性能，特别是在 C + L 波段的波分复用系统中，能够高精度地建模并优化功率演化，展现出在其他由偏微分方程（PDE）控制的工程问题中的应用潜力。

自适应PINN

【ICLR】PINNACLE: PINN Adaptive ColLocation and Experimental points selection

内容：这篇文章介绍了一种名为PINNACLE的算法，用于优化物理信息神经网络的训练点选择。PINNs通过将偏微分方程（PDEs）作为软约束纳入训练过程，能够解决正向和逆向问题。然而，训练PINNs需要选择大量的不同类型的训练点，包括用于强制PDE和初始/边界条件的配置点以及通过实验或模拟获得的实验点。