本研究通过FlowBench数据集解决复杂几何流动仿真的数值计算和资源消耗问题。该数据集包含超过1万个样本，规模领先，有助于评估复杂几何对神经偏微分方程求解器性能的影响，为未来研究提供重要支持。

该文综述物理启发神经网络（PINN）求解偏微分方程的研究进展，涵盖鲁棒RPINN（以能量范数残差构建损失）、课程规范化与序列到序列学习、卷积显式因果建模、几何变换处理复杂几何、AL-PINN（增广拉格朗日优化残差）及DPINN（求解非线性与Navier-Stokes方程），并总结最佳实践与障碍问题应用。