物理启发神经网络需要物理学家的准确性：以费尔希尔-特罗普奇催化剂颗粒中的质量和热传输为例

本研究针对物理启发神经网络（PINNs）在极端输入参数范围内的可靠性问题进行了探讨，尤其是在费尔希尔-特罗普奇合成相关的非线性反应扩散和热传输方程中。通过对PINN架构进行基于领域知识的修改，我们保证了其正确的渐近行为，从而恢复了整体模拟的稳定性并保持了PINN带来的速度提升。这一工作为化学反应器模拟中的混合传输方程求解器的应用提供了潜在的解决方案。