本次围绕物理信息深度学习这个方向筛选了18篇高质量论文，都是近年来具有较高引用价值或方法创新的研究工作，其中部分来自Communications Chemistry、Annu. Rev. Biomed. Eng.、Science正刊、Nat. Commun.、CMAME等顶刊。
对于论文er来说，这些论文方法结构清晰、可复现性较强，在多个任务上都有可延展的空间。如果你是想尽快有产出，就可以拿一份用来搭建baseline、参考方法改进，以及扩展实验设计思路。
扫码添加小享，回复“物理深度”
免费获取全部论文+开源代码
【ANNU REV BIOMED ENG】Physics-Informed Machine Learning in Biomedical Science and Engineering
背景动机：传统纯数据黑盒模型缺少生物物理约束、传统数值仿真依赖精细网格且数据需求量大，生物医学系统存在数据稀缺、多尺度复杂动力学与可解释性不足的痛点，亟需融合物理规律与深度学习的物理信息机器学习范式解决该类建模难题。
核心创新：本文系统梳理生物医学工程领域三大物理信息深度学习范式PINN、NODE、神经算子，引入KAN衍生PIKAN等新型物理感知网络，全面对比三类框架的数学原理、改进策略与多场景生物医学落地案例，并系统归纳领域现存瓶颈与大模型融合等前沿发展路径。
实验结果：PINN、NODE、神经算子三类物理信息深度学习框架在脑脊液流重建、皮层建模、瓣膜力学等场景下，仅依靠稀疏测量数据就能精准还原全场物理量、反演未知生理参数，相较纯数据模型与传统数值仿真误差大幅降低、推理速度显著提升，还可同步输出可解释的微观组织与力学特征。
A Physics-Informed Deep Learning Model for MRI Brain Motion Correction
背景动机：现有脑部MRI运动校正方法或仅依赖图像域易产生伪影幻觉，或需显式求解运动参数、无法兼顾空间与k空间物理信息，难以高效修复轻重不同的运动失真，因此亟需引入MRI成像物理规律的物理深度学习方案解决该痛点。
核心创新：本文提出融合MRI傅里叶空间物理约束的双网络物理信息深度学习框架PI-MoCoNet，结合k空间数据一致性损失、Swin Transformer增强U-Net与自主仿真运动数据集，无需显式运动参数估计即可校正脑部MRI各等级运动伪影。
实验结果：融合 k 空间数据一致性物理约束的 PI-MoCoNet 相较 Pix2Pix、CycleGAN、普通 U-Net，在轻 / 中 / 重度运动伪影场景下均取得更高 PSNR、SSIM 与更低 NMSE，可彻底消除图像振铃、重影伪影，消融实验也证实数据一致性损失与感知损失结合能显著提升重度失真下的校正性能。
......
更多论文请添加小享，免费获取合集~
