PINNs
一种将物理定律（如偏微分方程约束）嵌入神经网络训练过程的机器学习方法，用于求解物理问题，兼顾数据驱动与物理先验约束
时间轴 (近 90 天)
PINNs属于Scientific Machine Learning（科学机器学习，SciML）这一新兴交叉领域
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
物理信息神经网络是2019年由布朗大学George Karniadakis团队系统提出的方法
PINNs的损失函数通常由数据误差和残差项两部分组成，残差项即将网络输出代入PDE后偏离零的程度
PINNs通过自动微分计算网络输出对输入的各阶导数，能在几乎没有标注数据的情况下求解正问题和反问题
PINNs面临的关键理论问题包括损失函数非凸性导致优化困难、梯度病态（spectral bias）使高频分量难以学习、损失函数多项加权平衡策略缺乏理论指导
2021年Mishra等人证明了PINNs在特定条件下的先验误差界
2022年De Ryck等人分析了PINNs的残差下降速率
PINNs研究至少涉及物理层、数学层和计算层三层知识，是横跨三大学科的融合方向
数学或物理作为主修加计算机科学作为辅修或自学，是学习PINNs更稳妥的路径
还有 1 条时间轴事件
全部知识事实 (11)
PINNs属于Scientific Machine Learning（科学机器学习，SciML）这一新兴交叉领域
50%待验证物理信息神经网络（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
50%待验证物理信息神经网络是2019年由布朗大学George Karniadakis团队系统提出的方法
50%待验证PINNs的损失函数通常由数据误差和残差项两部分组成，残差项即将网络输出代入PDE后偏离零的程度
50%待验证PINNs通过自动微分计算网络输出对输入的各阶导数，能在几乎没有标注数据的情况下求解正问题和反问题
50%待验证PINNs面临的关键理论问题包括损失函数非凸性导致优化困难、梯度病态（spectral bias）使高频分量难以学习、损失函数多项加权平衡策略缺乏理论指导
50%待验证2021年Mishra等人证明了PINNs在特定条件下的先验误差界
50%待验证2022年De Ryck等人分析了PINNs的残差下降速率
50%待验证PINNs研究至少涉及物理层、数学层和计算层三层知识，是横跨三大学科的融合方向
50%待验证数学或物理作为主修加计算机科学作为辅修或自学，是学习PINNs更稳妥的路径
50%待验证物理信息神经网络（PINNs）最早由Raissi等人在2019年系统提出，通过将物理定律（如偏微分方程）嵌入神经网络损失函数使模型在数据稀缺时仍能给出物理一致的预测
50%