【附复现代码】基于PINN的论文创新思路

最新推荐文章于 2025-03-25 18:07:56 发布
最新推荐文章于 2025-03-25 18:07:56 发布
阅读量613 收藏 2
点赞数 2
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=MzU2NDExMzE5Nw==&mid=2247547390&idx=1&sn=3fb0edfe82489ce141da82ec2c435f57&chksm=fddae6cfd1d18eb67b48f5313c422a9b73bd6651ae81ebf97d64d526495aa8e6ab78d6252a54&scene=126&sessionid=0

最近有一个大热门：物理信息神经网络（PINN），不仅是各大顶会常客，还连登《Nature》。

PINN是将物理定律嵌入深度学习框架，约束神经网络训练的新型方法。特别适用于解决AI交叉学科中复杂的偏微分方程。

可以说，PINN能够大大降低实验难度，让你更容易得到理想的结果，而且结合PINN的研究更具有创新性，这就是PINN现在特别好发paper的原因！

PINN这么好用，大家都学会了吗？本文收集了70个PINN过去1年内的最新创新研究，其中有多篇研究发表在《Nature》上。而且全部都有对应的开源代码。

大家可以把论文下载下来，然后通过代码复现来学习如何更好的使用PINN。

下滑查看全部70个PINN创新研究

  1. 《Nature》用于解决时间相关模式分辨声子玻尔兹曼传输方程的PINN

  2. 《Nature》多层次物理学指导深度学习解决计算结构力学中的偏微分方程

  3. 《Nature》基于PINN模拟热腔流

  4. 《Nature》用于现实世界优化任务的PINN计算

  5. 《Nature》PINN用于锂离子电池退化稳定建模和预测

  6. 《Nature》PINN建模生理时间序列以进行无袖带血压估计

  7. 使用PINN的基于物理的动态模型混合

  8. 用于求解偏微分方程的PINN中的可学习激活函数

  9. 使用PINN分析婴儿灌注 MRI

  10. PINN在函数微分方程中的应用：圆柱近似及其收敛保证

  11. 在PINN中通过投影保证守恒定律

  12. SincKAN在PINN中的应用

  13. PINN进行动态系统的响应估计和系统识别

  14. 用于训练PINN的双锥梯度下降

  15. PINN影响函数

  16. PINN用于铁电微结构演化的相场模型

  17. 解决积分算子问题的高效PINN

  18. 点神经元学习：一种新的PINN架构

  19. PINN的函数张量分解

  20. 通过软约束PINN求解振子微分方程的小数据特征性能研究

  21. 用于求解微分方程的PINN

  22. Lyapunov weights在PINN中传达时间的意义

  23. 使用最小二乘法优化变分PINN

  24. 改进PINN可减轻梯度相关故障

  25. 使用PINN和新的因式分解方程进行同步 P 波和 S 波地震走时层析成像

  26. 用于解决偏微分方程逆问题的数据引导PINN

  27. 基于物理信息的卷积神经网络的自动机器学习

  28. 贝叶斯数据同化的随机PINN

  29. 用于解决正向和逆问题的KINN

  30. PINN解决一维层流火焰的正向和逆问题

  31. 采用基于PINN来优化蚊子种群动态中的微分方程

  32. 结合PINN和有限差分求解正向和逆时空 PDE

  33. 实用的训练算法区域优化 PINN

  34. 通过进化计算发现用于解决偏微分方程的PINN模型

  35. 用于直流阻断器放置的物理信息异构图神经网络

  36. 用于多旋翼吊装系统建模的PINN

  37. 共形PINN

  38. 利用宽网络和有效激活最小化残差损失的PINN

  39. PINN中的最佳时间采样

  40. 利用PINN推断二维湍流参数并重建

  41. 用于供水系统的PINN

  42. 使用PINN表征抗心律失常药物对心脏电生理的影响

  43. 使用PINN重建木星磁场

  44. 评估PINN在地震和爆炸震相区分中的性能

  45. 以天体和等离子体物理学为基础用于解决偏微分方程的PINN

  46. 通过PINN识别生物组织的异质微机械特性

  47. 通过物理信息神经网络识别生物组织的异质微机械特性

  48. 使用PINN近似 Fisher 方程的精确解系列

  49. 具有硬线性等式约束的PINN

  50. 基于PINN的风流场数据同化框架

  51. 使用PINN模拟全球表面灰尘沉积

  52. 基于PINN和网格变换的翼型亚音速流动求解器

  53. PINN逆建模方法快速评估左心室收缩力

  54. 用于解决一般几何形状的固体力学问题的PINN

  55. 用于具有时空和幅度多尺度特性的Kelvin-Helmholtz不稳定性的PINN

  56. 平滑核梯度加速的物理信息深度学习SK-PINN

  57. 更快速求解PINNs的高阶ReLU-KAN

  58. 用于耦合移动边界偏微分方程的PINN方法

  59. 利用PINNs近似系外行星大气中的瑞利散射

  60. 通过代数包含边界和初始条件改进PINNs

  61. 用于界面动力学多相场模拟的PINN

  62. 线性椭圆方程一维边界值问题的PINN的鲁棒误差估计

  63. 椭圆偏微分方程的一致 PINN 的收敛和误差控制

  64. PINN的优化过程

  65. 退火自适应重要性抽样法在 PINN 中用于求解高维偏微分方程

  66. PINN自适应定位和实验点选择

  67. TGPT-PINN进行非线性模型降阶

  68. PINN中的非傅里叶位置嵌入

  69. PINN中的特征映射

  70. 损失景观视角的PINN训练挑战

70个PINN创新研究 paper与代码文件

39ee048856775159280ea7f4261fdb27.png

1181ec3243f21c157821e8dc80694a42.png

想要全部paper与代码，欢迎扫码无偿下载

03f2717a3235b5e63de2474c74f5711f.png

以上70个PINN的创新研究，都是过去1年内的，还有多个研究登上了《Nature》。不仅时效性很新，而且还得到了学术界的广泛认可。

我在整理的时候，也帮大家把论文的创新思路都翻译成中文，方便大家直接找自己想要的领域去学习。

而且，全部70个PINN创新思路，都有对应的开源代码，方便大家复现，或者拿来魔改到自己的实验里。

资料无偿分享，有需要的小伙伴可以来扫码领取。

3d8be47d8f5cbad8a7aac1eec5720ceb.png

扫码下载70个PINN创新思路paper+code

还有很多同学处在PINN的入门阶段。直接去阅读论文会有一定的难度。这些同学更需要由PINN领域的专业老师来带领进行入门学习。

这里也分享一个完全免费的PINN入门课。由美国知名高校博士择木老师主讲。择木老师主要从事物理信息神经网络、无损检测和结构模态识别等前沿研究。

择木老师发表过十余篇顶会论文，在MSSP发表PINN相关一作，并担任多个国际知名期刊审稿人，包括MSSP、JSV、SCHM和ES等。

这个课是完全免费的，感兴趣的同学可以扫码学习。

08ae1526d5b7d35e8c3bf87caaee17de.png

70个PINN创新研究 paper与代码文件

655abadf47314966f4c70e1f4af26984.png

728cd5fa462d0ef065adf7cc71bf4874.png

997795bf5a3f8b586e21785b1f83c90f.png

想要全部paper与代码，欢迎扫码无偿下载

【论文全文翻译、剖析+代码复现】一种新基于PINN的机器学习算法来模拟辐射传输
源代码杀手的博客
01-22 1027
这篇论文提出了一个新的方法，利用物理信息神经网络（PINN）来模拟辐射传输。辐射传输在许多领域中都有广泛应用，例如天文学、气候模型、辐射热传输等，但传统的数值方法（如有限差分、有限元法等）通常需要大量的计算资源，并且对于复杂的几何和物理条件的处理不够灵活。为了克服这些挑战，作者提出了基于PINN的算法。
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％！
2401_82426425的博客
01-24 1443
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！
物理信息神经网络PINN2024最新改良方案汇总（含复现代码）
热门推荐
学姐带你玩AI的博客
01-30 1万+
传统的数值方法在处理复杂问题时可能需要大量的计算资源和时间，而改良后的PINN可以通过更有效的算法减少计算成本，使得求解过程更加高效。在写论文时，我们也可以通过改进PINN减少数据需求、加速模型收敛、提高预测准确性、增强可解释性，从而提高论文的质量和影响力。今天我就来分享，包括2024年最新，每种方案涉及的PINN变体和来源文章也都整理了，贴上了开源代码方便同学们复现。最新的方案已经帮大家分析好了创新点，写论文的同学可以借鉴学习，其他paper看文末。
深度学习新突破！Nature力荐！物理信息神经网络（PINN）创新工作
阿木寺的博客
01-14 2012
最近有一个大热门：物理信息神经网络（PINN），不仅是各大顶会常客，还连登《Nature》。PINN是将物理定律嵌入深度学习框架，约束神经网络训练的新型方法。特别适用于解决AI交叉学科中复杂的偏微分方程。可以说，PINN能够大大降低实验难度，让你更容易得到理想的结果，而且结合PINN的研究更具有创新性，这就是PINN现在特别好发paper的原因！PINN这么好用，大家都学会了吗？本文收集了70个P...
Nature 子刊丨用于锂离子电池退化稳定建模和预后的物理信息神经网络
weixin_43202974的博客
05-24 2521
Nature 子刊丨用于锂离子电池退化稳定建模和预后的物理信息神经网络
岩土工程智能计算：从PINN代码复现到GPT/量子融合创新
y2715163545的博客
03-25 1033
岩土工程正面临复杂地质条件、多场耦合和非线性问题的重大挑战，传统数值方法（如FEM/FDM）在计算效率、反问题求解和数据驱动建模中存在瓶颈。近年来，物理信息神经网络（PINN）、生成式AI（如GPT）和量子计算等技术的突破，为岩土工程提供了全新的研究范式。国际趋势：Nature、CMAME等顶刊持续聚焦“AI+力学”交叉研究，PINN与FEM的融合、大模型辅助科研成为热点方向；国家需求：我国《“十四五”智能制造发展规划》明确提出推动AI与工程技术的深度融合，助力基建智能化与灾害防控；
热力学基于物理信息神经网络PINN用于热传递附matlab代码.rar
10-29
本文介绍了一种基于物理信息神经网络（Physics-Informed Neural Networks，简称PINN）的热传递模拟方法，并提供了相应的Matlab代码，以供相关专业的学生和研究人员参考和使用。 Matlab作为一种高性能的数值计算和...
基于PINN物理信息网络进行离散时间识别/离散时间推理/连续时间识别/连续时间推理方法（python源码数据)（共4个代码）
01-12
基于PINN物理信息网络进行离散时间识别方法（python源码数据)（共4个代码） 基于PINN物理信息网络进行离散时间推理方法（python源码数据)（共4个代码） 基于PINN物理信息网络进行连续时间识别方法（python源码数据)...
基于PINN方法的热传导问题求解及结果输出
12-25
内容概要：本文介绍了一种基于物理信息神经网络（PINN）方法解决热传导问题的方法。通过定义长方体板上的移动热源、边界条件和带时间导数的三维拉普拉斯方程（PDE），实现了热传导过程的建模。代码部分详细展示了...
使用Adam和LBFGS优化器基于PINN求解一维热传导方程论文复现-20250514.ipynb
05-15
使用Adam和LBFGS优化器基于PINN求解一维热传导方程论文复现-20250514.ipynb
基于PINN物理信息神经网络求解PDE偏微分方程python代码.rar
10-07
本压缩包中提供的Python代码，是一个基于PINN模型求解PDE的示例。代码采用参数化编程的方式，用户可以根据自己的需求方便地更改参数，这大大提高了代码的灵活性和适用范围。代码中加入了详细的注释，使得编程思路...
PINN求解一维热传导方程论文复现
qq_36980284的博客
02-19 433
论文复现——赵暾等： 基于内嵌物理机理神经网络的热传导方程的正问题及逆问题求解——《空气动力学学报》一维热传导方程正问题的解。
高大上信息化教学设计说课PPT课件模板.pptx
08-04
高大上信息化教学设计说课PPT课件模板.pptx
电子商务文案入门必读PPT学习课件.ppt
08-04
电子商务文案入门必读PPT学习课件.ppt
web压力测试实验报告.doc
最新发布
08-04
web压力测试实验报告.doc
Linux-I2C总线分析(主要是probe的方式).doc
08-04
Linux-I2C总线分析(主要是probe的方式).doc
图片添加文字的两种常见方法
08-04
资源下载链接为： https://pan.quark.cn/s/9e7ef05254f8 在网页设计中，为图片添加文字是一种常见的需求，用于增强视觉效果或传达更多信息。本文将介绍两种常用的方法：一种是将图片设置为背景并添加文字；另一种是利用<span>标签结合CSS定位来实现。 这种方法通过CSS实现，将图片设置为一个容器（通常是<div>）的背景，然后在容器中添加文字。具体步骤如下： 创建一个包含文字的<div>元素： 使用CSS设置<div>的背景图片，并调整其尺寸以匹配图片大小： 如有需要，可使用background-position属性调整图片位置，确保文字显示在合适位置。这样，文字就会显示在图片之上。 另一种方法是将文字放在<span>标签内，并通过CSS绝对定位将其放置在图片上。步骤如下： 创建一个包含图片和<span>标签的<div>： 设置<div>为相对定位，以便内部元素可以相对于它进行绝对定位： 设置<span>为绝对定位，并通过调整top和left属性来确定文字在图片上的位置： 这种方法的优点是可以精确控制文字的位置，并且可以灵活调整文字的样式，如颜色和字体大小。 两种方法各有优势，可根据实际需求选择。在实际开发中，还可以结合JavaScript或jQuery动态添加文字，实现更复杂的交互效果。通过合理运用HTML和CSS，我们可以在图片上添加文字，创造出更具吸引力的视觉效果。
linux下搭建SVN服务器完全手册模板.doc
08-04
linux下搭建SVN服务器完全手册模板.doc
基于三维卷积神经网络的卒中患者疲劳检测源码部署教程文档全部数据训练好的模型高分项目
08-04
基于三维卷积神经网络的卒中患者疲劳检测项目源码+部署教程+数据+训练模型。该项目为个人高分毕业设计，经导师认可，答辩评分95分。代码已在mac/window10/11测试通过，功能正常。适用于计算机相关专业学生、教师及员工，可用于毕业设计、课程设计、作业及项目演示，也可作为学习进阶资源。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
如何用Python编写基于PINN控制的主动隔振代码
03-27
<think>好的，我需要帮助用户了解如何使用Python实现基于PINN的主动隔振代码。首先，我得回忆一下PINN的基本原理。PINN结合了物理方程和神经网络，通过将控制方程作为正则化项嵌入损失函数中，从而在数据较少的情况下也能有效训练模型。主动隔振的关键在于根据振动信号实时调整控制力，所以可能需要结合传感器数据和动力学方程。 接下来，我需要确定实现步骤。大致分为：1. 定义隔振系统的控制方程；2. 构建神经网络模型；3. 设计包含物理信息的损失函数；4. 训练网络并验证效果。用户需要示例代码，所以得用Python框架，比如TensorFlow或PyTorch。这里选PyTorch，因为动态计算图可能更灵活。 然后，考虑控制方程。隔振系统通常可以用质量-弹簧阻尼模型，微分方程如$m\ddot{x} + c\dot{x} + kx = F(t)$，其中F(t)是控制力。PINN的损失函数应包括数据误差和方程残差。比如，数据部分来自传感器测量的位移和速度，残差部分则是将网络的预测代入方程后的结果。 构建网络时，输入可能是时间t，输出位移x和速度v。需要注意将微分方程转换为PyTorch可自动微分的形式。比如，使用autograd计算x对t的一阶和二阶导数，然后代入方程计算残差。 损失函数的设计是关键，需要平衡数据损失和物理损失。可能需要调整权重参数，确保两者都有效优化。训练过程中，使用Adam优化器，逐步降低损失。 最后，验证模型效果，比如生成测试数据，观察预测位移是否减小，符合隔振目标。可能还需要考虑实时性，但示例代码可能简化这一点，专注于离线训练。 需要检查代码是否正确，比如网络结构是否合适，导数计算是否正确。可能存在的问题包括梯度爆炸或无法收敛，这时可能需要调整学习率或损失权重。此外，主动隔振可能需要在线调整控制力，但示例可能先展示离线训练过程。 总结步骤后，编写代码框架，解释各部分功能，并指出可能的改进方向。同时，生成相关问题，帮助用户深入理解PINN和主动隔振的结合应用。</think>### 使用PINN实现主动隔振的Python方法 #### 1. 问题建模 主动隔振的核心是通过控制力抵消外界振动。以单自由度隔振系统为例，动力学方程可表示为： $$m\ddot{x} + c\dot{x} + kx = F(t) + d(t)$$ 其中$m$为质量，$c$为阻尼系数，$k$为刚度系数，$F(t)$为控制力，$d(t)$为外部扰动。 #### 2. PINN实现框架 ```python import torch import torch.nn as nn import numpy as np # 定义神经网络结构 class PINN(nn.Module): def __init__(self): super().__init__() self.net = nn.Sequential( nn.Linear(1, 32), # 输入时间t nn.Tanh(), nn.Linear(32, 32), nn.Tanh(), nn.Linear(32, 2) # 输出位移x和速度v ) def forward(self, t): return self.net(t) # 定义物理约束 def physics_loss(model, t, m, c, k, F): t.requires_grad_(True) xv = model(t) x = xv[:, 0:1] v = xv[:, 1:2] # 自动微分求加速度 dxdt = torch.autograd.grad(x, t, grad_outputs=torch.ones_like(x), create_graph=True)[0] dvdt = torch.autograd.grad(v, t, grad_outputs=torch.ones_like(v), create_graph=True)[0] # 方程残差 residual = m*dvdt + c*v + k*x - F(t) return torch.mean(residual**2) # 训练配置 model = PINN() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) m, c, k = 1.0, 0.5, 10.0 # 系统参数 F = lambda t: 0.1*torch.sin(2*np.pi*t) # 控制力函数 ``` #### 3. 数据合成与训练 ```python # 生成训练数据（假设传感器采集的位移和速度） t_data = torch.linspace(0, 2, 100).view(-1,1) x_data = 0.01*torch.sin(5*t_data) # 示例位移数据 v_data = 0.05*torch.cos(5*t_data) # 示例速度数据 # 复合损失函数 def total_loss(model, t, x_true, v_true): # 数据损失 xv_pred = model(t) data_loss = torch.mean((xv_pred[:,0] - x_true.flatten())**2) + \ torch.mean((xv_pred[:,1] - v_true.flatten())**2) # 物理约束损失 phy_loss = physics_loss(model, t, m, c, k, F) return data_loss + 0.1*phy_loss # 权重调节 # 训练循环 for epoch in range(5000): optimizer.zero_grad() loss = total_loss(model, t_data, x_data, v_data) loss.backward() optimizer.step() if epoch % 500 == 0: print(f'Epoch {epoch}, Loss: {loss.item():.4f}') ``` #### 4. 控制力生成 训练完成后，可通过网络预测最优控制力： ```python def optimal_control(t): t_tensor = torch.tensor([[t]], dtype=torch.float32) with torch.no_grad(): xv = model(t_tensor) v = xv[0,1].item() return -c*v # 速度反馈控制策略 ``` ### 关键改进方向 1. **多物理场耦合**：增加温度、压力等传感器输入通道[^1] 2. **实时性优化**：采用轻量化网络结构如MobileNet 3. **不确定性量化**：使用贝叶斯神经网络处理测量噪声
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值