待验证50% 置信事实精确时间
物理信息神经网络（PINNs）是一类将物理定律（通常以偏微分方程形式表达）直接嵌入神经网络损失函数的深度学习方法
1
来源数
50%
置信度
长期有效
时效性
2026/9/9
首次发现
来源
涉及实体
相关事实
待验证PINN 的核心思想是在神经网络损失函数中同时包含数据拟合误差和物理方程残差，并通过自动微分计算输出对输入坐标的偏导数80% 相似待验证基于神经网络的替代模型和物理信息神经网络（PINN）的发展使得实时或近实时的流体模拟成为可能70% 相似待验证SPLADE 是一种学习型稀疏检索模型，通过神经网络为文档生成稀疏向量表示，可在倒排索引上高效运行65% 相似待验证SciML 的代表性方向包括物理信息神经网络（PINN）、神经算子（Neural Operator）、可微分仿真（Differentiable Simulation）65% 相似待验证Anthropic的机械可解释性（Mechanistic Interpretability）研究试图在神经网络激活层面定位特定知识的存储位置63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/885638API
curl https://kongchang.com/api/v1/knowledge/claims/885638MCP
get_claim(id=885638)