提到PINN（物理信息神经网络），想必大家都不会陌生，其研究热度持续不减，是物理信息机器学习（PIML）领域中一个极具代表性的热点话题。今天，我们就来一起聊聊物理信息机器学习（PIML）。
物理信息机器学习（PIML）是一种融合了物理学与机器学习技术的创新方法，它利用已知的物理方程来约束机器学习模型，旨在提高模型的鲁棒性、可解释性和数据效率。通过这种方法，PIML能够在数据稀缺或昂贵的领域实现更准确的预测和更有效的建模。
因此在金融、医疗、工程等行业，PIML被广泛应用与研究，在学术界也同样是发文高频主题词。
为了方便大家能够更好的掌握这个创新思路，然后运用到自己的文章中，我为大家整理了最新的物理信息机器学习PIML的研究论文！
需要的同学添加工中号【沃的顶会】 回复 PIML 即可全部领取
A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations
文章解析
本文提出了一种基于物理信息的机器学习方法，利用支持向量回归（SVR）和Gegenbauer正交多项式解决分布式阶分数微分方程。
该方法通过将物理定律嵌入SVR框架中，提高了计算效率和模型精度。
创新点
1.将支持向量回归（SVR）扩展到分布式阶分数微分方程的求解。
2.使用Gegenbauer正交多项式作为核函数，提高计算效率。
3.将物理定律直接嵌入机器学习框架中，增强模型的准确性和鲁棒性。
需要的同学添加工中号【沃的顶会】 回复 PIML 即可全部领取
Physics-Informed Machine Learning for Grade Prediction in Froth Flotation
文章解析
本文提出了一种物理信息神经网络模型，用于预测浮选过程中的金精矿品位。
该模型结合了经典数学模型和深度学习方法，提高了预测精度和泛化能力。
创新点
1.将物理定律与机器学习算法结合，构建物理信息神经网络模型。
2.解决了纯数据驱动模型在动态工业环境中泛化能力差的问题。
3.模型在模拟数据上的表现优于纯数据驱动模型，特别是在均方误差和平均相对误差方面。
需要的同学添加工中号【沃的顶会】 回复 PIML 即可全部领取
CIDER: Counterfactual-Invariant Diffusion-based GNN Explainer for Causal Subgraph Inference
文章解析
本文介绍了基于物理信息的机器学习（PIML）在声场估计中的应用，强调了将声场的物理特性融入机器学习模型的重要性，以提高估计性能。
创新点
1.提出将物理信息融入机器学习模型，提升声场估计的准确性。
2.综述了当前基于PIML的声场估计方法，为未来研究提供参考。
需要的同学添加工中号【沃的顶会】 回复 PIML 即可全部领取