PINN这两年确实好火啊不过多看几篇文章就能发现现在火的点跟之前不太一样了。23年那会儿随便搭个PINN模型往某个PDE上一套只要误差比传统数值方法好看一点就能发文章。现在不行了审稿人已免疫。如今真正有价值的工作基本就集中在解决PINN的几个老毛病上训练慢、精度飘、难收敛。那顺着这个思路往下挖PINN的创新路径其实很清晰自适应采样、损失函数重加权、离散化策略、与LSTM或贝叶斯的融合……每一类都有不少值得细读的工作。本文按上述路径把近几年PINN相关的文章筛选了一下整理了137篇出来附了代码。如果你正在找选题这份列表应该能省你一些到处翻文献的时间。全部论文开源代码需要的同学看文末$ PINN-a Domain Decomposition Method for Bayesian Physics-Informed Neural Networks研究方法本文提出$PINN方法融合贝叶斯物理信息神经网络BPINN与守恒型区域分解cPINN通过分域并行计算局部不确定性并在分域交界面施加解与通量连续贝叶斯似然约束实现偏微分方程全局精准不确定性量化。创新点提出$PINN新框架结合贝叶斯BPINN与守恒型cPINN增加界面似然项保证子域解和通量连续并行计算全局不确定性。设计BI、BIC、RD三种训练方案适配不同数据、不等分区域、子域噪声不一致等多种实验场景。反问题提供软、硬两种参数约束硬约束统一全域参数显著提升反演精度支持多子域、二维PDE求解。研究价值本文提出融合贝叶斯推断与区域分解的$PINN方法兼顾BPINN不确定性量化与cPINN多尺度求解优势可并行计算子域局部不确定性在含噪声、多尺度、正反PDE问题上精度稳健且支持二维拓展为大规模带噪科学计算高效不确定性量化提供新思路。Fourier Domain Physics Informed Neural Network研究方法本文提出FD-PINN框架借助傅里叶变换处理积分项分为连续型CFD-PINN求解含卷积积分的脉冲传播积分偏微分方程、离散型DFD-PINN结合龙格-库塔从稀疏空间测量数据反演隐式光学物理在少数据、强噪声场景下实现高精度正向预测与逆问题参数挖掘。创新点提出FD-PINN框架通过傅里叶变换处理积分卷积项解决传统PINN无法直接求解超快光学积分微分方程PIDE的痛点。设计连续型CFD-PINN适配稀疏含噪实验数据可精准预测脉冲全域演化自带降噪能力大幅提升低信噪比下预测精度。构建离散型DFD-PINN结合隐式龙格-库塔方法仅依靠空间分离的输入输出两组测量数据就能反演隐藏的拉曼非线性响应。研究价值本文提出FD-PINN架构借助傅里叶变换求解光学积分微分方程分为连续、离散两类模型可在稀疏低噪实验数据下精准完成脉冲正向预测与拉曼响应反演为超快光学正反问题提供实用物理机器学习工具。关注下方《学姐带你玩AI》回复“222”获取全部方案开源代码码字不易欢迎大家点赞评论收藏