#物理信息神经网络

把元胞自动机和神经网络结合做交通流建模，还强制守恒约束，比标准 NCA 学得更准，做交通仿真的可以看看。

研究人员推出SoftServe拟牛顿方法，解决深度学习中的非凸性和大规模参数问题，在病态问题上表现优于现有基线。

这篇论文提出了SpectONet，在梁振动问题上比传统DeepONet误差降低至少64%，物理一致性更好，值得研究结构动力学的朋友一看。

这篇论文用PINO精确排名五种低成本墙体材料的热性能，数据少时比纯数据驱动方法更准，还能识别不同气候下的最优方案。搞建筑节能的可以看看。

这篇论文的ESPINN模型用少量快照就能反推出相场模型的化学势和梯度系数，实验稳定，值得关注。

做偏微分方程数值模拟的团队，可以用PINN残差替代传统误差估计器来指导网格自适应，显著节省计算资源——60个自由度就能达到192个自由度的精度，值得在工程仿真中试试。

该工作为物理信息神经网络在稀疏传感交通估计中的实际部署提供了实用框架，残差引导的域分解策略可推广至其他涉及不连续性的PINN应用，其训练效率提升对资源受限场景有直接价值。