技术

Physics-Informed（物理信息驱动）

物理信息驱动，指将物理定律（如偏微分方程）作为约束融入机器学习模型，提升泛化与可解释性。

收录于 2026/9/14相关资讯 14 篇近 30 天 6 篇在词典中查看 →

详细解释

Physics-Informed Neural Networks (PINNs) 是典型代表，将 PDE 残差作为损失项，使网络输出满足物理规律。它适用于数据稀缺或噪声大的场景，如流体力学、材料科学。优势在于无需网格、可反演参数，但训练可能不稳定，需平衡数据与物理损失。

别名与相关写法

physics-informed

相关术语

Physics-Informed Neural Networks共现 4 篇

Machine Learning共现 2 篇

Neural Operator共现 2 篇

uncertainty quantification共现 1 篇

Self-Supervised Learning共现 1 篇

Conformal Prediction共现 1 篇

相关资讯

物理信息保形预测：为神经算子嵌入 PDE 一致性2026/9/14

arXiv 提出可微扩散条件化 D2C 用于物理约束优化2026/10/26

物理信息机器学习用于流体动力学2026/10/20

研究提出物理信息神经网络参数错设的闭式审计方法2026/10/20

物理信息状态空间模型预测光伏发电功率2026/10/14

无数据物理信息神经算子求解水平集界面输运2026/10/1

自适应物理信息神经网络求解布拉修斯边界层2026/9/22

图超网络摊销物理信息神经求解器2026/9/18

完整术语表见 AI 术语词典；每日新术语与进展见 AI 早报。