本文探讨了基于物理知识的神经网络（PINNs）在求解偏微分方程中的应用，提出了一种新方法以发现随机势能介质中的本地化特征。研究表明，PINNs在处理复杂系统时比传统方法更准确高效，尤其在非线性摆系统中表现突出。文章还讨论了PINNs的训练优化及其在实际物理系统中的可行性，并展望了未来的研究方向。

本文研究了物理信息驱动的神经网络（PINNs）在两个不同系统的实验数据上的表现。结果显示，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了无信息神经网络（NNs），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。此外，研究了物理信息驱动模型在物理系统中的可行性，并选择了FPGA作为部署计算的基板。根据提出的系统架构和方法，讨论了从这项工作中获得的见解，并列出了未来工作计划。

本文研究了物理信息驱动的神经网络（PINNs）在两个系统上的表现。在非线性摆系统中，PINNs在理想数据情况下准确度提高了18倍和6倍，在实验数据测试中准确度提高了9.3倍和9.1倍。研究了物理信息驱动模型在物理系统中的可行性，并选择FPGA作为计算基板。讨论了从这项工作中获得的见解，并列出了未来工作计划。

本文研究了物理信息驱动的神经网络（PINNs）在两个不同系统的实验数据上的表现。结果显示，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了无信息神经网络（NNs），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。此外，研究了物理信息驱动模型在物理系统中的可行性，并选择FPGA作为部署计算的基板。根据提出的系统架构和方法，讨论了从这项工作中获得的见解，并列出了未来工作计划。

本研究使用物理信息驱动的神经网络（PINNs）在两个系统上进行实验，结果显示在非线性摆系统中，PINNs在理想数据和实验数据上都表现出更高的准确度。研究还探讨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。未来工作计划基于研究结果提出。