2025顶刊聚焦：物理信息深度学习新成果，频繁亮相于《Nature》等权威期刊

最新推荐文章于 2025-06-03 14:04:48 发布

AI前沿速递

最新推荐文章于 2025-06-03 14:04:48 发布

阅读量1.6k

点赞数 19

CC 4.0 BY-SA版权

文章标签：物理信息神经网络深度学习

本文链接：https://blog.csdn.net/Mikasa33/article/details/147950845

物理信息深度学习正迅速崛起为科研前沿热点，频繁亮相于顶级学术会议与《Nature》等权威期刊，深刻重塑科研范式。

其核心技术——物理信息神经网络（PINNs），通过将物理定律嵌入深度学习模型，在训练过程中引入物理约束，显著提升了求解复杂偏微分方程的能力。PINNs不仅减少了对大量实验数据的依赖，简化研究流程，还为跨学科问题提供了全新思路，推动高质量科研成果不断涌现。

目前，PINN已在材料科学、生物医学、气候建模等多个领域取得广泛应用，展现出强大潜力。为帮助你紧跟前沿动态，我整理了近一年内20篇PINN领域的创新论文，还没有idea的同学可以拿来研读，无偿分享，觉得有用记得点个赞～

全部论文+开源代码需要的同学看文末！

【论文1:中科院1区】A New, Physics-Informed Continuous-Time Reinforcement Learning Algorithm with Performance Guarantees

Closed-loop responses at 25% modeling error.

研究方法

RCI enabled CT-RL learning control structure.

该论文针对仿射非线性系统的控制问题，提出一种基于物理信息的连续时间强化学习（CT - RL）算法。该方法基于参考命令输入（RCI），利用系统已知的物理动力学信息和 Kleinman 算法结构，通过状态 - 动作轨迹数据进行学习，迭代求解最优控制问题，在无限时域无折扣成本下提供数据高效的最优控制解决方案。

创新点

cFVI, rFVI hyperparameter selections

创新学习探索方式：提出RCI学习方法，基于基本反馈控制原理，通过在参考命令输入处引入激励信号实现学习过程中的有效探索，解决了传统方法中探测噪声易被衰减、导致系统激励和数据质量差的问题。
数据高效的学习控制：借助Kleinman算法结构，结合状态 - 动作数据驱动学习，能够高效地处理非线性学习控制问题。在系统具有分散结构时，RCI可使算法效率进一步提升。
提供理论保障：证明了RCI CT - RL算法在学习收敛性、解的最优性和系统稳定性方面的理论保证，并通过全面的评估和比较，展示了该算法在仿射非线性系统最优控制中的优越性。

论文链接：https://jmlr.org/papers/volume25/24-0017/24-0017.pdf

【论文2】PINNs-MPF: A Physics-Informed Neural Network framework for Multi-Phase-Field simulation of interface dynamics

The architecture of PINNs-MPF framework

研究方法

Illustration of the denoising loss which is computed in the identified areas B and C, far from the interface .

该论文提出的PINNs-MPF 框架将物理信息神经网络（PINNs）应用于多相场（MPF）模拟。通过将 MPF 方程视为多变量时间序列问题，采用完全离散分辨率，在空间、时间和相 / 晶粒上分别处理。利用扩展的多网络并行化概念，将模拟域划分为多个批次，各批次由独立的神经网络预测，主神经网络负责协调各网络间的交互和学习传递。

创新点

PINN solution for the traveling wave interface problem against the theoretical solution.

优化训练策略：提出金字塔训练方法，结合数据增强原理，逐步调整网络细分层次进行训练，能快速确定最优超参数集，避免自适应加权策略，且保证训练的独立性，提升训练效果。
改进网络架构：扩展域分解方法，增加相方向的分解和并行化维度，并引入主神经网络管理任务和确保子网间的连续性，有效处理多相场问题的复杂性，提高计算效率和预测准确性。
自适应网格优化：引入自适应无网格优化（AMFO）技术，基于相场文献中的自适应网格细化概念，通过自适应重网格化、去噪损失和动态重采样，集中在界面区域采样，减少非界面区域噪声，提高模型的准确性和鲁棒性。
动态修正机制：针对MPF问题，引入动态相预测修正机制，将相预测除以同一批次其他相的预测之和，作为额外的约束损失项，确保训练连续性，避免使用外部修正算法，提高训练效率。

论文链接：https://www.sciencedirect.com/science/article/pii/S0955799725000888

【论文3】Physics-informed neural networks for modeling physiological time series for cuffless blood pressure estimation（Nature）

PINN model behavior under increasing number of training instances. a, b

研究方法

Physics-informed neural network (PINN)

针对从生理时间序列数据提取心血管信息这一问题，该研究构建了基于物理信息神经网络（PINNs）的模型。通过对输入和输出间已知心血管关系构建泰勒近似，将其融入神经网络训练，以最小化的真实数据进行模型训练。同时，定义了基于泰勒近似的物理损失函数，与传统监督损失函数结合，共同优化网络权重，实现从可穿戴生物阻抗数据进行连续无袖血压估计。

创新点

Parameters of the Taylor’s approximation of BP using physiological input features

降低数据依赖：突破传统PINNs依赖广义偏微分方程的局限，利用泰勒近似获取个性化的PDEs，融入神经网络训练，使模型在仅使用少量真实数据的情况下，仍能实现稳健的预测，减少了对大规模标记数据的需求。
增强模型可解释性：通过泰勒近似建立与潜在心血管动力学的关系，为网络增添可解释性。其参数在不同血压升高操作（如冷加压试验）的迭代中保持一致，并与已知心血管动力学相关联，有助于理解模型预测的生理机制。
提升模型性能：在连续无袖血压估计的案例研究中，该PINN模型在多个数据集上表现出色，与传统时间序列模型相比，保持了高相关性和低误差，且平均减少了15倍的真实训练数据量，在不同评估策略下也展现出优于其他模型的性能。

论文链接：https://www.nature.com/articles/s41746-023-00853-4

关注下方《AI前沿速递》🚀🚀🚀
回复“C305”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏