关注下方【AI算法科研paper】，点亮“星标⭐”，优质文章第一时间推送
物理信息机器学习PIML这块，如果想快速发文，可以尝试将现有的PIML方法应用到一个新的、还没人用PIML解决过的具体工程问题；如果想发高区，那就在效率、稳健性、泛化能力以及在真实复杂场景下的表现上下功夫。
本文精选了近期发布的12篇PIML相关前沿论文，包含nature communications等顶会顶刊成果，助力你快速洞察学界发展脉络与最新动态。因篇幅有限，只展现部分论文解析，推荐对PIML感兴趣的同学领取完整文档进一步学习。
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。
研究价值：论文提出的G-LED框架，将生成式学习与物理信息融合，实现了高维复杂系统动力学的精准统计预测，大幅降低计算成本，为湍流模拟等多领域的高维复杂系统仿真提供了高效新方法，突破了传统降阶模型的精度与效率瓶颈。
扫码添加小享，
回复“物理机器”
免费获取全部论文+开源代码
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。
研究价值：论文提出的Sep-PI-DeepONet框架，通过 factorization 技术和前向模式自动微分，在保持与传统PI-DeepONet相当精度的同时，将训练时间缩短两个数量级，突破了物理信息机器学习中高维偏微分方程求解的维数灾难，为复杂高维PDE问题提供了高效可行的解决方案。
扫码添加小享，回复“物理机器”
免费获取全部论文+开源代码
