运用物理知识和有限数据的基于物理信息的神经网络在动态过程操作中的应用
原文中文，约400字，阅读约需1分钟。发表于：。化学工程中，使用物理信息的神经网络模型可以有效地进行过程建模，尤其对于缺乏实验数据和部分未知机理描述的情况下，其推断未测状态的准确性较高且泛化能力强，可作为一种有前景的研究方向进行深入探究。
本研究探讨了物理信息驱动的神经网络（PINNs）在两个系统上的实验数据表现。结果显示，在简单的非线性摆系统中，PINNs 在理想数据情况下的准确度提高了18倍和6倍。在使用实验数据进行测试时，PINNs 相对于NNs的准确度提高了9.3倍和9.1倍。研究还验证了物理信息驱动模型在物理系统中的可行性，并选择了FPGA作为计算基板。未来工作计划包括解决与时间相干感知和空间数据对齐相关的问题。
