本文探讨了物理信息神经网络（PINNs）在固体力学中的应用，展示了其在弹性动力学和复杂几何体建模中的有效性。通过结合动量平衡和本构关系，PINNs 提高了模型的鲁棒性和准确性，尤其在无标注数据和复杂边界条件下表现突出。此外，该方法在多尺度问题和拓扑优化中的潜力也得到了验证，为科学与工程领域的高级建模提供了新思路。

本文介绍了GIT-Net，一种用于逼近偏微分方程算子的深度神经网络架构。GIT-Net在复杂几何体上的PDE问题中表现出较小的测试误差和低评估，计算和内存需求随着网格离散化的扩展而平稳增长。