贝叶斯+PINN（B-PINN），一个典型的AI for Science交叉研究方向，现处于爆发期。相较于传统PINN，B-PINN的核心价值在于它的量化不确定性，而这同时切中了学术界的前沿理论探索和工业界的核心应用痛点。
因此，单从发文角度来看，B-PINN算是个不错的选择。而且由于它痛点明确，创新抓手多，尽管已经有不少高质量工作出现，但远没有饱和，无论你是想快速出成果，还是冲顶会顶刊，都有创新空间。
比如你赶时间，就从应用领域深挖或轻量化与效率提升入手；赶质量，就挑后验推断算法改进或模型架构创新。如果实在没思路，那就先看看别人的文章，这块我已经帮你打包好了15篇B-PINN前沿论文，相信你看完很快会有idea。
扫码添加小享，回复“贝叶斯pinn”
免费获取全部论文+开源代码
BAYESIAN PHYSICS INFORMED NEURAL NETWORKS FOR RELIABLE TRANSFORMER PROGNOSTICS
方法：论文提出贝叶斯物理信息神经网络（B-PINN）方法，将贝叶斯神经网络嵌入 PINN 架构，以热扩散偏微分方程为物理约束，结合变压器运行数据与多种先验分布，通过变分推断量化预测不确定性，实现电力变压器绝缘老化的概率预测，为设备维护决策提供可靠支撑。
创新点：
- 将贝叶斯推理融入物理信息神经网络（PINN），构建B-PINN框架，实现预测结果的概率输出与认知不确定性量化。
- 结合热扩散偏微分方程的物理知识与变压器实际运行数据，为电力变压器绝缘老化预测提供物理约束支撑。
- 系统探究不同先验分布、超参数及数据噪声对模型性能的影响，优化后预测可靠性与准确性优于dropout-PINN等基准模型。
$PINN- a Domain Decomposition Method for Bayesian Physics-Informed Neural Networks
方法：论文提出一种名为 $PINN 的方法，将BPINN与区域分解技术结合，通过在相邻子域界面施加通量连续性以保证解的连续性，利用贝叶斯框架计算每个子域的局部不确定性并高效获取 PDE 的全局不确定性，同时可扩展至其他区域分解技术，在 1D 和 2D 空间域的 PDE 实验中验证了其有效性与鲁棒性。
创新点：
- 融合贝叶斯推理与区域分解技术，构建$PINN框架，通过计算各子域局部不确定性实现PDE全局不确定性的高效量化。
- 在相邻子域界面施加通量连续性约束，保障区域分解后解的连续性，同时兼容多种区域分解方法。
- 针对逆问题设计软硬约束策略，通过统一参数估计或参数趋同约束提升未知参数推断的准确性。
扫码添加小享，回复“贝叶斯pinn”
免费获取
全部论文+开源代码
Damper-B-PINN: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Vehicle State Estimation
方法：论文提出 Damper-B-PINN 方法，基于精细化悬架连杆级动力学建模，将贝叶斯推理与 PINN 相结合，通过设计阻尼器特性物理调节模块嵌入物理先验，并采用正态 - sigmoid dropout 的变分推断缓解系统噪声影响，实现车辆动态轮载的精准鲁棒估计。
创新点：
- 对悬架连杆系统进行精细化建模，捕捉其非线性动力学特性，奠定可靠物理基础。
- 构建Damper-B-PINN框架，结合贝叶斯推理与PINN，用特定dropout方法提升抗噪声能力。
- 设计DPC模块，将阻尼器物理特性作为先验嵌入网络，强化物理约束引导。
Thermal Conductivity Estimation of Thermoelectric Materials with Uncertainty Quantification Using Bayesian Physics-Informed Neural Networks
方法：论文提出基于贝叶斯物理信息神经网络的方法，嵌入热电耦合输运方程作为物理约束，通过预训练与哈密顿蒙特卡洛采样实现后验推断，仅利用稀疏电势能测量数据即可估计热电材料的温度依赖性热导率，并量化测量噪声与数据稀疏性带来的不确定性。
创新点：
- 构建嵌入热电耦合输运方程的 PINN 框架，无需直接温度测量，通过稀疏电势能数据即可同步反演温度、电压及热导率分布。
- 提出含预训练的贝叶斯PINN方法，采用HMC采样实现后验推断，量化测量噪声与数据稀疏性带来的不确定性。
- 设计多电流加载实验方案，通过四种不同电流工况增强逆问题可识别性，提升热导率估计的稳定性与准确性。
扫码添加小享，回复“
贝叶斯pinn”
免费获取全部论文+开源代码
