物理信息神经网络PINNs : Physics Informed Neural Networks 详解

本博客主要分为两部分：
1、PINN模型论文解读
2、PINN模型相关总结

第一部分：PINN模型论文解读

一、摘要

基于物理信息的神经网络（Physics-informed Neural Network， 简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。
原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。
优势：与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型。
缺陷：PINN的缺点是较难处理高维数据，低维可以处理，因为所需训练数据随着方程维度的增加而呈现指数增加，故这一点很大地限制了PINN求解高维方程；PINN模型的求解速度其实是很慢的，作为“没有免费午餐”定理的一个方面，作为一种“通用方法”，与为特定偏微分方程设计的传统数值格式相比，PINN在近似偏微分方程数值解的精度和速度方面仍然处于劣势。
问题分类： 文章分为两部分， 第一部分写的是 Data-driven solutions of nonlinear partial differential equations， 就是在讲怎么解 PDEs（Partial Differential Equations）， 第二部分写的是 Data-driven discovery of nonlinear partial differential equations， 就是在讲怎样解PDE的反问题 (带参数的PDE，参数需要在解的过程中求解出来)。
问题求解算法模型：根据问题的数据类型不同，设计了两种不同的问题求解算法模型，即连续时间和离散时间模型。
实验验证分析：本文对 第一部分 Data-driven solutions of nonlinear partial differential equations 选取两个方程（数据类型为连续时间和离散时间）进行PINN模型验证分析；对 第二部分 Data-driven discovery of nonlinear partial differential equations 也选取两个方程（数据类型为连续时间和离散时间）进行PINN模型验证分析

全文组织结构：

二、解决的问题

1、监督学习是机器学习中的一个大类， 很多分类问题，回归问题都可以用它来解决。 那么， 从求解PDE的角度来看， 监督学习能发挥什么样的作用呢？ （如何逼近一个函数（算子）一直以来便是数学中的难题。 数学家们发展了很多工具来逼近函数， 如插值理论，框架， 谱方法 ， 有限元等。 从逼近论的角度来看， 神经网络（Neural Networks）便可以看做一个非线性函数逼近器。 我们期望输出一个