本研究解决了物理感知神经网络（PINNs）在工程湍流优化中面临的数据需求高和计算准确性低的问题。提出了一种新的框架PT-PINNs，通过软约束方法和基于流量守恒的预训练方法，提高了湍流问题的求解能力。实验表明，PT-PINNs的预测结果与实验数据和传统CFD结果高度一致，同时在计算效率上显著优于传统CFD方法。

本研究提出了一种新的合理指数激活函数（REAct），旨在提升物理信息神经网络（PINNs）的学习和泛化能力。实验结果显示，REAct在热问题上的均方误差显著低于现有激活函数，并在函数逼近和反问题中表现优异，增强了噪声抵抗能力和参数估计的准确性。

本研究提出了一种高效的物理信息神经网络（PINNs）框架，通过多头训练和单模正则化技术，显著提升了解非线性多尺度微分方程和逆问题的效率，具有广泛的应用前景。

本研究提出了一种共形映射坐标物理信息神经网络（CoCo-PINNs），用于设计中性包络。与传统神经网络相比，CoCo-PINNs通过整合复分析技术，显著提升了设计性能，展现出更高的可靠性和稳定性。

该论文研究了物理信息神经网络（PINNs）的理论与实践，提出了多种优化算法以提高其在偏微分方程中的有效性。通过结合神经切向核和新架构，验证了PINNs在解决正向与反向问题中的优势，并强调了训练过程中的收敛性和误差控制的重要性。

本研究针对hp-VPINNs在解决复杂几何体下不可压Navier-Stokes方程时面临的训练时间长和缺乏有效框架的问题，提出了FastVPINNs框架，利用张量计算显著提高训练效率。研究表明，该框架在解决正反问题时训练时间提高了2倍，并能准确识别流动的雷诺数，显示出在计算流体动力学中更广泛应用的潜力。

通过融合基础知识和物理定律，将物理信息纳入机器学习框架，来提高医学图像分析的鲁棒性和可解释性。本研究综述了 80...

本文探讨了物理信息神经网络（PINNs）在不确定性量化和状态估计中的应用，提出了改进模型的多种方法，如一致预测神经网络（C-PINNs）和集成模型（E-PINNs）。研究表明，这些方法在电力系统稳定性和COVID-19预测中表现出色，有效应对数据稀缺和模型误差问题，推动了机器学习在复杂系统中的应用。

提出了一种高效的物理导向神经网络（PINNs）框架，称为自适应界面 - PINNs（AdaI-PINNs），用于改进具有不连续系数和 / 或界面跳跃的界面问题的建模。

本文探讨了物理启发神经网络（PINN）及其变体在解决偏微分方程（PDE）中的应用与优化，分析了其有效性和鲁棒性，并提出了新算法如PPINN和AL-PINNs以提升性能。尽管在某些情况下优于有限元方法，PINN仍面临理论挑战。

本文探讨了物理知识神经网络（PINNs）的训练机制，提出了一种无需梯度加权的加速收敛方法，并研究了损失函数的作用。通过引入新的优化器MultiAdam和二阶优化器NysNewton-CG，显著提升了预测精度。研究表明，结合一阶和二阶优化方法有助于改善PINNs在解决偏微分方程中的表现。

使用物理信息神经网络 (PINNs) 模拟微观动力学对费托合成进行了研究，提出了一种计算效率高、准确性更强的方法，能够在实际过程条件下快速解决现有的微观动力学模型问题，对多尺度和多物理反应器模拟有很好的应用潜力，并能够实现实时过程控制和优化。