近期我们针对贝叶斯+PINN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neurips、npj Computational Materials、Computers in Industry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「贝叶斯pinn」
免费获取全部论文合集及项目代码
BAYESIAN PHYSICS INFORMED NEURAL NETWORKS FOR RELIABLE TRANSFORMER PROGNOSTICS
内容：本文将贝叶斯神经网络嵌入物理信息神经网络构建B‑PINN框架，以变压器一维热扩散偏微分方程作为物理残差，结合IEC标准的热点温度与绝缘老化模型实现概率化时空温度与寿命损耗估计，采用变分推理近似网络权重后验，测试高斯、尖板‑平板、拉普拉斯三种先验，以光伏电站实测数据驱动的有限元结果作为真值，选取dropout‑PINN、普通PINN作为基线，借助NLL、CRPS、PICP概率评价指标开展超参调优、噪声鲁棒性与计算开销分析，完成变压器概率预测验证。
Damper-B-PINN: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Vehicle State Estimation
内容：本文提出Damper‑B‑PINN用于含噪声多输入多输出车辆状态估计，借鉴机械阻尼特性设计阻尼前向传播层以抑制神经元在迭代间的剧烈跳变，同时构建正态‑sigmoid优化贝叶斯dropout层，结合变分推理完成网络参数后验近似，将车辆悬架动力学物理约束构建为物理信息损失并与数据损失联合优化，依托Carsim仿真获取多车型多工况数据集，与多种B‑PINN类基线模型对比完成车轮动态载荷估计的验证测试。
扫描下方二维码，回复「贝叶斯pinn」
免费获取全部论文合集及项目代码
A Bayesian PINN Framework for Barrow–Tsallis Holographic Dark Energy with Neutrinos: Toward a Resolution of the Hubble Tension
内容：本文针对Barrow‑Tsallis全息暗能量宇宙模型，构建贝叶斯物理信息神经网络，以神经网络拟合归一化哈勃参数，将修正弗里德曼微分方程残差、多类宇宙观测数据似然共同构造变分ELBO损失，借助重参数化技巧与蒙特卡洛采样完成变分推理获取宇宙学参数后验，同时采用传统MCMC采样作为对照，结合CMB、BAO、Pantheon+超新星、宇宙计时器等多组天文观测数据集开展参数约束，完成哈勃张力、中微子总质量等物理量的概率估计与对比分析。
Bayesian Physics-Informed Extreme Learning Machine for Forward and Inverse PDE Problems with Noisy Data
内容：本文提出贝叶斯物理信息极限学习机BPIELM，在PIELM基础上对输出层权重引入先验分布，将偏微分方程控制方程、边界条件编码构造线性系统，正问题直接求解输出权重，逆问题把待识别PDE参数一并视作输出层参数，利用贝叶斯推理结合证据过程迭代求取参数后验分布以实现预测不确定性量化，在泊松、平流、扩散、亥姆霍兹方程算例上，同PIELM、PINN开展多噪声水平下的对比仿真实验，验证该方法能够缓解噪声数据过拟合、降低对神经元数量的敏感程度，同时兼顾求解精度与远低于标准PINN的计算开销。
扫描下方二维码，回复「贝叶斯pinn」
免费获取全部论文合集及项目代码
