【物理信息神经网络（PINN）】是一种将物理定律嵌入神经网络架构中的机器学习模型，它通过结合数据驱动和物理驱动的方法来解决偏微分方程（PDEs）问题。PINN利用自动微分技术来确保网络预测满足物理方程，提高了模型的准确性和可靠性。此方向的研究推动了科学计算与人工智能的融合，为复杂系统建模和预测提供了新的工具。PINN在流体力学、材料科学等领域的应用，展示了其在实际问题中的强大潜力，对促进工业和科学研究具有重要意义。
为了帮助大家全面掌握【物理信息神经网络（PINN）】的方法并寻找创新点，本文总结了最近两年【物理信息神经网络（PINN）】相关的14篇顶会顶刊论文研究成果，这些论文、来源、论文的代码都整理好了，希望能给各位的学术研究提供新的思路。
需要的同学扫码添加我
回复“PINN14”即可全部领取
任意三篇论文解析
1、PINNACLE: PINN Adaptive Collocation and Experimental Points Selection
方法：
- PINNACLE 是一种新算法，用于物理信息神经网络（Physics-Informed Neural Networks, PINNs）的训练点选择问题。该算法的核心是联合优化所有类型的训练点选择，包括PDE（偏微分方程）的配点（collocation points）、初始/边界条件（IC/BC）的配点以及通过实验或模拟获得的实验点（experimental points）。
- 该算法基于一个复合损失函数，该函数包含不同类型的训练点，每种类型具有不同的训练动态。PINNACLE 通过分析PINN训练动态，使用神经切线核（Neural Tangent Kernel, NTK）来考虑不同训练点类型之间的相互作用。
- 算法提出了一种新的收敛度量（convergence degree），用于评估一组候选训练点集对整体增强空间训练收敛的帮助程度。理论上展示了最大化收敛度的训练点选择可以导致PINNs的泛化误差界限降低。
- PINNACLE 使用Nystrom近似来估计NTK的特征函数和特征值，进而近似收敛度。算法包含两个阶段：点选择阶段和训练阶段。在点选择阶段，随机生成候选点池，并选择满足约束条件并最大化近似收敛度的点子集。
- 提出了两种点选择方法：基于采样（PINNACLE-S）和基于K-Means++（PINNACLE-K），以近似最优集合。
创新点：
- 联合优化：与以往工作不同，PINNACLE 是首个算法，它同时优化所有类型的训练点选择，而不是单独考虑配点或实验点。
- 基于NTK的分析：利用NTK来分析不同训练点类型之间的相互作用，这是之前研究中未曾考虑的。
- 收敛度量：提出了一个新的收敛度量标准，用于评估训练点集对整体训练收敛的贡献，这有助于理论上理解点选择对模型性能的影响。
- Nystrom近似：使用Nystrom近似来估计NTK的特征函数和特征值，提供了一种实用的点选择算法，可以处理大规模问题。
- 自适应调整：算法能够自动调整配点类型的比例，随着训练的进展，动态地优化点选择。
- 实验验证：通过一系列正向、逆向和迁移学习问题，展示了PINNACLE 在多种问题设置中的有效性，包括流体动力学、波传播和光学等领域的PDEs。
- 理论联系实际：不仅在理论上展示了收敛度量与泛化误差界限的关系，而且在实验中验证了PINNACLE 能够实现更好的性能，尤其是在减少训练点数量和提高训练效率方面。
2、Performance map and operating condition optimization of industrial-size SOFCs using a PINN surrogate model
方法：
- 本文开发了一个准确的预训练物理信息神经网络（PINN）模型，作为二维多物理模型的代理，用于实时操作条件优化。
- PINN模型通过接受电池性能参数作为输入，展现出高度的灵活性。
- 利用代理模型生成性能图，可视化了不同氢气流量和操作电压组合下的稳态操作状态。
- 研究了在不同操作条件下，固体氧化物燃料电池（SOFC）达到峰值功率点和阳极安全边界的电压变化。
- 进一步研究了由于电池性能参数退化导致的最优操作条件的变化，并通过性能图直观地展示了这些变化。
创新点：
- PINN代理模型：提出了一个预训练的PINN模型，该模型能够快速准确地替代传统的多物理模型进行操作条件优化。
- 实时操作条件优化：PINN模型的快速响应能力使得它能够用于实时优化SOFC的操作条件，显著提高了优化过程的效率。
- 性能图的直观展示：通过性能图，本文提供了一种直观的方式来展示和跟踪SOFC在不同操作条件下的性能，包括功率、效率和燃料利用率。
- 阳极氧化安全边界的可视化：本文提出了一种方法来可视化阳极氧化的安全边界，并展示了操作条件如何在电池退化过程中变化。
- 模型的通用性：通过在不同的SOFC上测试模型，证明了模型具有良好的通用性和适用性，能够适应不同的电池性能参数。
- 操作条件与电池退化的关系研究：本文不仅考虑了电池在初始状态下的操作条件优化，还研究了随着电池性能退化，最优操作条件如何变化，为长期操作提供了理论支持。
- 非均匀入口流速的考量：本文通过引入流速非均匀性系数（l），考虑了实际应用中可能存在的入口流速非均匀性对操作条件的影响，提高了模型的实用性和准确性。
需要的同学扫码添加我
回复“PINN14”即可全部领取
3、State estimation in minimal turbulent channel flow: A comparative study of 4DVar and PINN
方法：
- 本文研究了从稀疏的时空观测数据中估计湍流通道流的状态。研究使用了两种方法：伴随-变分数据同化（4DVar）和物理信息神经网络（PINN）。
- 4DVar方法通过拉格朗日函数结合损失和约束条件，利用前向-伴随方程计算损失函数相对于初始流状态的梯度，通过优化初始条件来最小化损失函数。
- PINN方法将物理方程和边界条件以L2范数的弱形式纳入损失函数，通过训练神经网络来近似观测数据和满足控制方程。
- 研究中考虑了不同分辨率的观测数据，以评估算法对观测分辨率的敏感性和鲁棒性。
- 还考察了不同PINN网络结构对预测精度的影响，包括普通全连接网络、加宽网络和带有跳跃连接的网络。
创新点：
- 方法比较：本文创新性地比较了4DVar和PINN两种方法在从有限观测数据恢复湍流状态方面的性能，为理解不同方法的优势和局限性提供了新的视角。
- 物理信息神经网络（PINN）：将PINN应用于湍流状态估计，利用自动微分技术评估控制方程，不需要开发伴随模型，提高了实现效率。
- 网络结构影响分析：研究了不同网络结构对PINN预测精度的影响，包括网络深度、宽度和跳跃连接的使用，为网络设计提供了指导。
- 嵌入约束的PINN：探讨了通过PINN网络结构设计来强制限束条件（如无散场条件）的方法，提高了PINN在满足物理方程准确性方面的性能。
- 预测能力评估：对比了4DVar和PINN在预测超出训练时间范围的流状态方面的能力，指出了PINN在长期预测方面的不足，并提出了改进方向。
- 计算效率与准确性的权衡：讨论了4DVar和PINN在计算效率和准确性之间的权衡，为实际应用中的算法选择提供了参考。
- 实验数据与独立模型的结合：使用独立模型生成的观测数据来评估PINN，模拟了实际应用中可能遇到的实验数据与模型数据的结合情况。
需要的同学扫码添加我
回复“PINN14”即可全部领取
