《Nature》常客物理信息机器学习PIML今年的势头依旧火热，单是综述就发了不少，比如布朗大学 GE Karniadakis 院士那篇，推荐阅读。
从这些成果能看出，PIML现在已经从概念验证慢慢走向广泛应用，新的应用场景不断涌现，多了不少可探索的空间，也更容易做出开创性成果。
鉴于此，如果是想快速发出论文，那我建议把现有PIML方法用到新的、还没人用PIML解决过的具体工程问题上；如果是想发高区，那就要多在效率、稳健性、泛化能力，以及真实复杂场景下的表现上花功夫。
当然，大家最后还是要结合自身情况做决定的。我也帮大家准备了12篇PIML前沿论文当参考，还附了代码，希望各位看完能有收获。
扫码添加小享，回复“物理机器”
免费获取全部论文+开源代码
Generative learning for forecasting the dynamics of high-dimensional complex systems
方法：论文提出 G-LED 框架，以物理信息机器学习为核心：将高维数据下采样到低维流形，用多头自回归注意力模型演化其动力学，再通过融入物理信息的贝叶斯扩散模型将低维流形映射回高维空间，实现高维复杂系统模拟加速与准确预测。
创新点：
- 提出G-LED框架，结合生成学习与自回归注意力机制，可捕捉湍流等复杂多尺度动力学。
- 用非可训练下采样编码器，且将物理信息融入解码器，提升预测物理一致性。
- 以多头自回归注意力模型替代传统模型，优化效率，在多类测试中实现降本与精准预测。
Physics-informed machine learning
方法：论文围绕物理信息机器学习展开，核心方法是将物理定律与机器学习融合：通过观测偏差、归纳偏差、学习偏差三种路径嵌入物理信息，还结合混合方法，依托核方法、经典数值算法建立理论联系，以解决正逆问题、高维系统求解等问题。
创新点：
- 通过数据、专用网络架构、物理正则损失（如PINNs嵌PDE）三种路径，将物理信息嵌入机器学习。
- 提出混合方法，如结合DeepONets与PINNs、融合高低保真数据，还将神经网络嵌入传统数值方法。
- 建立与核方法、经典数值算法的理论联系，适配小数据、噪声数据及高维系统。
扫码添加小享，回复“
物理机器”
免费获取全部论文+开源代码
Kolmogorov n-Widths for Multitask Physics-Informed Machine Learning (PIML) Methods: Towards Robust Metrics
方法：论文针对多任务PIML缺客观指标的问题，以Kolmogorov n 宽度为核心方法：先训练 MH-PINNs、PI-DONs 等 PIML 模型得到基函数，再通过双优化算该宽度，还将其作为正则项融入三优化训练，缓解过拟合、提升泛化性，最终在 1D 泊松方程等任务上验证其能有效对比 PIML 架构性能，避免采样误差误导。
创新点：
- 用Kolmogorov n宽度作多任务PIML的评估指标，通过双优化算宽度，量化模型解空间近似能力，避免采样误差误导。
- 将Kolmogorov n宽度作为正则项，融入三优化训练，缓解PIML模型过拟合，提升泛化性。
- 在1D泊松方程等任务验证该宽度能对比PIML架构、激活函数性能，明确网络参数对泛化的影响。
Separable Physics-Informed DeepONet: Breaking the Curse of Dimensionality in Physics-Informed Machine Learning
方法：论文针对传统PINNs求解含间断/多尺度PDE的精度与稳定性问题，提出改进的物理信息机器学习方法：将熵守恒、TVD等物理准则融入模型，结合自适应采样与多尺度网络，保留自动微分算PDE残差、融数据与物理约束优化的核心范式，在高超声速流动等场景验证其提升物理一致性与预测性能的效果。
创新点：
- 提出Sep-PI-DeepONet，拆分PI-DeepONet为独立子网络实现坐标分解，将主干网络传播次数从降为，突破高维PDE维度灾难。
- 用前向模式AD算PDE梯度项，雅可比矩阵规模大幅缩减，计算成本随离散密度与维度线性增长。
- 在多类基准测试中，Sep-PI-DeepONet精度相当传统PI-DeepONet，训练时间降两个数量级，还能处理高维PDE。
扫码添加小享，回复“物理机器
”
免费获取全部论文+开源代码
