Poisson方程是数学和物理学中描述势场与源关系的椭圆型偏微分方程，广泛应用于电磁学、流体力学和量子力学等多个领域。近期，随着物理信息神经网络(PINN)的发展，Poisson方程的求解方法正经历革命性变革。
Poisson 近期进展
2023年10月发表的S²-PINN研究(S²-PINN：面向随机偏微分方程不确定性量化的物理信息神经网络)提出了面向随机偏微分方程不确定性量化的新型物理信息神经网络架构，显著提高了对含噪声数据的处理能力。同年9月，NHMO模型(NHMO：一个神经网络求解器搞定变形状域椭圆偏微分方程)展示了用一个神经网络求解器即可处理变形状域椭圆偏微分方程的能力，突破了传统数值方法的计算瓶颈。8月发表的SGS-Poisson研究(SGS-Poisson对抗鲁棒性：拟阵子模最大化与全臂老虎机学习)将Poisson方程与拟阵子模最大化相结合，为对抗鲁棒性问题提供了新思路。7月发布的DSGNAR框架(DSGNAR：物理信息神经网络的良态训练优化框架)则针对物理信息神经网络的训练稳定性问题提出了创新解决方案。
当前焦点与观察点
当前Poisson方程相关研究呈现三大趋势：一是与传统机器学习方法的深度融合，二是向高维和非线性问题的拓展，三是计算效率的持续优化。值得注意的是，Poisson方程作为基础数学工具，其应用已从传统物理领域扩展到机器学习、数据科学等新兴交叉学科。然而，物理信息神经网络在处理复杂边界条件和大规模问题时仍面临收敛性和计算效率的挑战，这将是未来研究的重要方向。