近期我们针对PINN求解偏微分方程的前沿成果进行了深度整合，从中筛选出19篇很有参考价值的论文，收录了EAAI、ICLR等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「求解PDE」
免费获取全部论文合集及项目代码
Evolutionary Optimization of Physics-Informed Neural Networks: Evo-PINN Frontiers and Opportunities
内容：
该综述围绕物理信息神经网络PINN的优化与泛化难题展开，梳理现有基于梯度方法存在的虚假局部极小、谱偏差、梯度失衡等缺陷，系统总结神经进化这类无梯度进化计算技术的各类应用路径，涵盖直接参数优化、帕累托多目标优化、结合梯度局部搜索的文化基因混合框架、架构与超参搜索、迁移进化优化，还探讨将神经进化作为元学习器求解跨场景偏微分方程问题的思路，对比各类方案优劣，指明将神经进化与梯度下降结合开展PINN训练、进化做元学习是未来重要研究方向。
PINNsAgent: Automated PDE Surrogation with Large Language Models
本文提出基于大模型的多智能体自动化代理框架PINNsAgent，包含数据库、规划器、编程器与代码库四大组件，支持配置生成与代码生成两种工作模式，设计物理引导知识回放PGKR对偏微分方程的物理数学属性做加权特征编码，通过加权余弦相似度检索相似问题的优质PINNs配置作为初始解，再采用融合UCT策略的记忆树推理策略MTRS，借鉴蒙特卡洛树搜索思想迭代探索架构与超参数空间，依据模型测试MSE反馈不断更新记忆树，迭代生成并调试可执行PINNs代码，在PINNacle基准数据集上完成实验与消融验证。
扫描下方二维码，回复「求解PDE」
免费获取全部论文合集及项目代码
NAS-PINN: Neural architecture search-guided physics-informed neural network for solving PDEs
本文提出NAS‑PINN，一种面向求解偏微分方程、由神经架构搜索引导的物理信息神经网络方法，将架构搜索空间松弛为连续空间，借助掩码实现不同形状张量相加，采用双层优化框架开展训练，内层优化网络权重与偏置，外层优化架构参数，在泊松、伯格斯、平流方程等多个算例上完成数值实验，同时归纳适配不同偏微分方程的有效网络架构特征，得到浅层宽网络、残差连接等对PINN性能的相关设计结论。
A Physics-Informed Neural Network technique based on a modified loss function for computational 2D and 3D solid mechanics
本文面向二维与三维固体力学弹性问题，提出一种改进损失函数的PINN方法，引入基于变异系数的动态加权策略自动调整控制方程、位移边界与力边界对应的各损失项权重，在无标注数据的无网格框架下结合自动微分求解弹性控制方程，缓解不同损失项量级失衡带来的训练困难，在多个二维、三维固体力学算例上测试位移与应力场的预测精度并和常规PINN对比验证效果。
扫描下方二维码，回复「求解PDE」
免费获取全部论文合集及项目代码
