#PINN

解决随机 PDE 不确定性量化的新网络结构，比九个基线更准还更省参数，做科学计算的可以看看开源代码。

这篇论文给DGM和PINN的用户吃了定心丸：对于一类半线性PDE，梯度下降训练真的能收敛到正确解，不是只找到局部最优。

这篇论文用PINN模拟钢-铝界面的弹性波传播，比传统模拟更快，还能预测新工况，挺实用的。

这篇论文讲怎么用迁移学习加速电池PINN模型训练，能跨电池用，省时间还准，做电池仿真的可以看看。

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。