最近梳理物理信息机器学习相关论文时，能清晰看到领域的演进：这方向已经告别简单PINN基线模型调参，逐步走向物理先验与大模型深度耦合的交叉范式，这也是Nature Communications等众多顶刊持续重点关注的热门赛道。
范式的迭代往往预示接下来的研究风口。纵观现有大量工作，PIML当前的创新主要集中在物理约束失效、复杂泛化能力弱、多物理场景适配困难、物理‑神经网络权衡矛盾等问题，打算开展相关课题的同学可以重点留意这些突破口。
本文整理了14篇物理信息机器学习前沿顶刊论文，包含多篇nature顶级子刊工作，覆盖了这方向目前的主流改进思路，方便大家快速理清该领域演进脉络，为后续选题构思、模型方案设计提供参考。
扫码添加小享，回复“物理机器”
免费获取全部论文+开源代码
【nature communications】A physics-informed graph neural network conserving linear and angular momentum for dynamical systems
研究方法：研究提出物理信息图神经网络DYNAMI-CAL GRAPHNET，将线动量和角动量守恒的物理先验嵌入模型架构，通过边缘局部参考系保障物理对称性，结合标量化-向量化流程与时空消息传递，实现多体动力学系统的物理一致、可解释的精准建模。
创新点：
- 提出DYNAMI-CAL GRAPHNET，将线/角动量守恒嵌入网络架构，通过边缘局部参考系保障动力学预测的物理一致性。
- 设计标量化-向量化流程，把节点特征转化为物理可解释的交互量，结合时空消息传递实现细粒度动态建模。
- 提出无网格粒子的边界建模方法，通过幽灵节点统一体-壁与体-体交互，简化建模且降低计算成本。
研究价值：研究提出的物理信息图神经网络DYNAMI-CAL GRAPHNET，为复杂多体动力学系统提供了兼具物理一致性、可解释性与泛化能力的实时建模方法，突破了传统物理模型算力瓶颈和普通数据驱动模型物理失洽的局限，在机器人、航空航天、材料科学等领域的动力学预测、控制系统设计与机械过程优化中具有重要的实际应用价值。
【npj computational materials】A physics-informed machine learning framework for accelerated discovery of single-phase B2 multi-principal element intermetallics
研究方法：研究提出融合条件变分自编码器与人工神经网络的物理信息机器学习框架，采用基于随机亚晶格的18个物理相关描述符，经数据预处理缓解数据不平衡后，通过CVAE高通量生成候选成分、ANN筛选高形成概率成分，实现单相B2多主元金属间化合物的高效精准发现。
创新点：
- 设计18个基于随机亚晶格的物理信息描述符，精准捕捉B2结构核心特征，提升合金相区分能力。
- 融合CVAE与ANN构建生成式框架，搭配PCA和K-means处理数据不平衡，实现合金成分高通量生成与筛选。
- 应用于多类复杂合金体系，实验验证新型B2合金，同时揭示B2相形成的关键影响规律。
研究价值：研究提出的物理信息机器学习框架，突破了传统方法在单相B2多主元金属间化合物发现中的效率与精度局限，实现了复杂合金体系的高通量精准筛选与新型合金研发，为这类高性能材料的加速设计提供了高效可行的技术路径，兼具重要学术价值与工程应用潜力。
......
更多论文请添加小享，免费获取合集~
