物理信息神经网络与知识蒸馏的结合正在成为破解PINN训练慢、样本效率低、难落地端侧难题的新钥匙，从粗网格教师指导细网格学生、物理约束跨模型迁移到稀疏标注下的精度保持，教师-学生框架与PDE先验的深度耦合持续刷新着PINN在复杂偏微分方程求解上的效率与部署上限。
本文从近年顶会顶刊中整理了10篇该方向的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），不管是快速搭baseline、找创新切口，还是跟最新技术趋势，都能省不少从零摸索的功夫。
长按识别下方二维码，回复【物理蒸馏】
无偿领全部论文合集及项目代码
Battery Health Prediction under Data Scarcity: A Cross-Domain Physics-Informed 5-Shot Framework with GRU-Transformer
数据稀缺下的电池健康预测：融合GRU-Transformer的跨域物理信息5-shot框架
文章内容
本文针对小样本跨材料电池SOH预测难题，提出物理信息5-shot元学习框架。预处理阶段采用Winsorized截断消除异常充放电干扰，并通过双变量相关分析筛选16项与SOH单调相关的物理特征；核心网络为GRU-Transformer混合架构，GRU负责门控时序信息，Transformer多头注意力捕获长程依赖；损失函数额外嵌入Fick第二定律描述的固相扩散PDE损失与SOH单调下降趋势正则，约束物理一致性。元训练阶段以10%数据预训练模型，再以5-shot支持集进行内循环快速适配。在4个数据集349,443条跨化学体系电池数据上，测试MAE低至0.45%、R²达0.9634。
MTL-FNO: A Lightweight Multi-Task Fourier Neural Operator for Sparse Field Reconstruction
面向稀疏场重建的轻量多任务傅里叶神经算子
文章内容
本文面向机载多物理场稀疏观测下的联合重建问题，提出MTL-FNO硬参数共享多任务框架。核心洞察是从极坐标视角重审FNO复值谱权重：复矩阵可极分解为酉相位张量U与半正定幅度张量P，二者分别控制通道间无波导相位旋转与幅度缩放。据此设计三路解耦：共享backbone参数训练后冻结，任务特定低秩增量通过CANDECOMP/PARAFAC张量分解构造，再经Cayley变换映射回酉流形，使相位与幅度可独立自适应微调，从物理上缓解多任务参数冲突。在二维钝楔稀薄流与卫星舱三工况温度场两个算例上，MTL-FNO精度匹配或超越单任务FNO，模型体积分别缩减76%与60%。
Online Internal Temperature Estimation Method for Prismatic Li-Ion Battery Using Embedded Physics-Informed Neural Networks
基于嵌入式物理信息神经网络的方壳锂离子电池在线内部温度估计方法
文章内容
本文面向大规模储能BMS边缘部署场景，提出ThermaPhysLite轻量PINN框架。作者将高阶三维电-热耦合模型做工程化简化：表面测温点从六面压缩至三轴对称三点，极柱热容与热阻去除，分布式多热源合并为Bernardi方程描述的中心集中热源；简化后的热网络方程作为软约束嵌入多尺度时间卷积网络MS-TCN的损失函数。网络在ESP32-S3微控制器上经TensorFlow Lite INT8量化部署，大尺寸LFP方壳电池离线验证RMSE为0.15–0.20°C，量化后0.17–0.24°C，单步推理延迟仅120 ms，可直接运行于资源受限的储能BMS从机节点。
↓↓听说在下方一键三连的都Accept了🌝
