又被PINN炫到了！与迁移学习结合，稳发一区TOP！预测误差直降99％！

PINN+迁移学习，是一个创新度Max的方向！其为处理复杂问题提供了高效、准确的方法，尤其是数据获取困难、标注难度大的领域（医学影像、能源预测、气候建模……）。

目前其在各顶会顶刊都备受青睐，且效果显著！比如Nature上，在锂电池健康预测状态预测任务中，性能狂提60％的PINN；一区顶刊上，计算成本直降100倍的STM……

这主要得益于：迁移学习能用已有的数据或预训练模型，使PINN无需从头训练，从而节省时间、减少对数据标注的依赖。而PINN通过融入物理定律和约束，则使模型在预测时能够遵循物理规律，进而提高准确性！

为方便大家研究的进行，我给大家精心挑选了8篇高质量必读论文，且做了概括解析，相信能给大家带来更多idea启发

论文原文+开源代码需要的同学看文末

Physics-Informed Deep Learning and Partial Transfer Learning for Bearing Fault Diagnosis in the Presence of Highly Missing Data

内容：本文提出了一种名为PTPAI方法，用于解决在数据缺失严重的情况下轴承故障诊断问题。该方法结合了物理信息深度学习生成合成数据和偏集故障诊断技术，通过RF-Mixup方法处理类别不平衡问题，并利用MK-MMSD和CDAN等技术减少合成数据与实际数据之间的分布差异。实验结果表明，该方法在CWRU和JNU数据集上表现出色，有效解决了数据缺失、类别不平衡和偏集问题。、

Transfer learning based physics-informed neural networks for solving inverse problems in engineering structures under different loading scenarios

内容：这篇文章提出了一种基于迁移学习的物理信息神经网络（PINNs）方法，用于解决工程结构中的逆问题，特别是在不同加载条件下预测外部载荷。研究的核心是通过非量纲化和多任务学习（使用不确定性加权）来提高PINNs在解决线性和超弹性问题时的训练效率和精度。此外，文章还展示了如何利用有限的位移监测点数据，结合物理定律的正则化作用，预测结构的外部载荷。通过迁移学习，预训练模型可以在新的工程场景中进行微调，从而在几何缩放和复杂加载条件下快速准确地预测载荷，显著降低了对数据量的需求和计算成本。

Physics-informed neural network for lithiumion battery degradation stable modeling and prognosis

内容：本文提出了一种基于物理信息神经网络（PINN）的锂离子电池健康状态（SOH）估计方法，通过结合经验退化和状态空间方程建模电池退化动态，并利用神经网络捕捉电池退化特性。研究设计了一种通用特征提取方法，从电池充电末期的短时间数据中提取统计特征，使其适用于不同化学成分和充放电协议的电池。

Transfer learning-based physics-informed convolutional neural network for simulating flow in porous media with time varying controls

内容：本文提出了一种基于迁移学习的物理信息卷积神经网络（PICNN），用于模拟多孔介质中具有时变井控条件的两相流动。该模型通过离散化的状态空间方程建立控制到状态的回归映射，采用双平行U-Net结构，输入为井控条件，输出为系统状态（如油压和含水饱和度）。通过逐步训练每个时间步的网络，并利用迁移学习技术加速后续时间步的训练，该模型在不同维度的储层模型中表现出良好的计算效率和准确性，且计算时间不随模型维度增加而显著增长。

码字不易，欢迎大家点赞评论收藏！

关注下方《AI科研技术派》

回复【PTL】获取完整论文

👇