本文介绍了分布式物理信息神经网络（DPINN）及其在解决非线性偏微分方程和Navier-Stokes方程中的应用。研究分析了PINN的优缺点，强调其在流行病预测、参数估计和多目标优化中的优势，尤其在COVID-19预测中的表现。还提出了提高训练效率和准确性的最佳实践，展示了深度学习在科学计算中的潜力。

本文提出了一种分布式物理信息神经网络（DPINN），用于解决非线性偏微分方程及Navier-Stokes方程。研究探讨了PINNs的训练效率、损失函数及优化器选择对模型性能的影响，并提出结合一、二阶优化的方法以提高精度。实验结果表明，PINNs在处理逆问题时表现优异，尤其在数据稀缺的情况下，展现了物理信息正则化的优势。