仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
沃的顶会
物理学信息神经网络（PINN）通过多种创新方法和技术，性能和应用范围得到了显著提升。2025年西工大提出了一种新的PINN变种——VW-PINNs，通过体积加权方法优化PDE残差，显著减小了误差并提升了性能。此外，研究人员还探索了多种策略来平衡PINN的损失函数，如自适应损失平衡方法（dbPINNs）和动态优先自适应损失平衡技术（dpPINN），这些方法通过动态调整损失项的权重，提高了模型的效率和准确性。在解决高维和多尺度问题方面，域分解技术被广泛应用，通过将复杂域划分为多个子域，有效减少了计算成本并加速了训练过程。
这些改进不仅增强了PINN在处理复杂物理问题时的能力，还为未来的研究提供了新的方向和思路。我整理了10篇关于【PINN变种】的相关论文，感兴趣的同学扫码领取~
回复“PINN变种”即可领取
RobustRegressionwithHighlyCorruptedDataviaPhysicsInformedNeuralNetworks
文章解析
文章针对含大量错误数据时PINN难以准确重构PDE解和参数的问题，提出LAD-PINN和MAD-PINN方法，通过实验对比，展示其在处理不同类型噪声数据时的优势与效果。
创新点
提出LAD-PINN模型，用L1损失替代传统L2损失，增强模型在处理高度损坏数据时的鲁棒性。
设计基于LAD-PINN的两阶段算法框架MAD-PINN，先检测剔除异常数据，再用传统PINN处理，提高重构精度。
算法设计尽量减少超参数引入，两阶段算法仅引入一个可解释超参数，便于复现和应用。
研究方法
基于PINN构建LAD-PINN模型，将PDE约束转化为无约束优化问题，通过最小化绝对偏差处理损坏数据。
以LAD-PINN为异常检测器，结合MAD估计标准差设定阈值，筛选出高度损坏数据，得到清洗数据集。
在清洗后的数据集上使用传统PINN进行训练，利用LAD-PINN训练的网络进行预训练，加速第二阶段训练。
选取泊松方程、波动方程、稳态和非稳态纳维-斯托克斯方程等算例，对比不同方法在多种数据损坏类型下的表现。
研究结论
LAD-PINN在处理含异常值和噪声的数据时，相比传统PINN，能更准确地重构解和恢复参数，尤其在数据高度损坏时优势明显。
两阶段的MAD-PINN框架可进一步提升重构精度，在揭示隐藏物理量方面表现出色，且对常见滤波参数不敏感，通用性较好。
该研究为PINN处理含异常数据的问题提供了有效方法，但在损失权重选择和LAD损失项非光滑性处理上仍有待改进。
回复“PINN变种”即可领取
文章解析
文章针对传统物理信息神经网络无法处理多几何域问题的局限，提出Physics-InformedPointNet（PIPN）框架，结合PointNet和物理信息损失函数求解稳态不可压缩流问题，并通过实验验证其有效性。
创新点
基于PointNet构建PIPN，能提取几何特征，解决多组不规则几何域上的PDE问题，突破传统PINN局限。
训练一次即可预测未见几何域的解，在正向和反向问题中均展现良好的泛化能力。
利用自动微分计算PDE残差作为损失函数，结合物理规律和几何特征进行模型训练。
研究方法
采用基于PointNet机制的神经网络架构，结合物理信息损失函数，优化网络参数求解PDE。
以制造解方法和热驱动流问题为测试案例，设置不同条件进行实验。
对比分析PIPN在不同设置下的性能，如压力边界条件、方程形式、体力实现方式等。
将PIPN与传统物理信息神经网络对比，评估其计算成本和预测精度。
研究结论
PIPN在多几何域稳态不可压缩流问题上表现良好，速度场和压力场预测误差在可接受范围。
该框架泛化能力强，能有效预测未见几何域的解，且对噪声有一定鲁棒性。
PIPN在计算成本和训练效率上优于传统物理信息神经网络，为相关领域研究提供新方向。
回复“PINN变种”即可领取
