今天给研究领域背景复杂、数据获取困难的论文er推荐一个创新思路：
PINN+迁移学习。
这是因为：这种结合方法能够利用已有的知识和数据来加速新任务的学习过程，减少对大量标注数据的依赖。而且可以在保留迁移学习优势的基础上，进一步利用物理定律来优化模型的性能和泛化能力。
这就意味着PINN+迁移学习
不仅能够提高模型的训练效率和性能表现，还能降低计算成本并促进创新，帮助我们增加论文的创新性和深度！
因此这个方向在各大CV任务、医疗诊断等多个应用场景都很受欢迎，且成果斐然，比如Nature子刊上基于DeepONe的迁移学习新框架...我从中挑选了一些高质量研究，方便感兴趣的同学学习参考。
扫码
添加小享，
回复“
物理迁移
”
免费获取
全部
论
文+开源代码
Physics‑informed neural network with transfer learning (TL‑PINN) based on domain similarity measure for prediction of nuclear reactor transients
方法：
论文提出了一种结合了迁移学习的物理信息神经网络，简称为TL-PINN。这种方法用于预测核反应堆的瞬态（Reactor Transients, RTs）状态。文章中提到，通过迁移学习，可以显著提高PINN模型训练的性能，减少模型训练所需的迭代次数。
创新点：
-
开发了一种基于物理信息神经网络的新方法，用于预测核反应堆瞬态状态。
-
通过在一个核反应堆瞬态上进行预训练，迁移学习可以加速不同瞬态的预测速度达两个数量级，不仅减少了训练迭代次数，还确保了中子密度预测的平均误差低于1%。
-
开发了一种用于评估迁移学习性能的相似性度量方法。通过计算瞬态曲线之间的Hausdorff距离，作者建立了一个关联，表明曲线相似性越高，迁移学习的性能越好。
Transfer learning based physics-informed neural networks for solving inverse problems in engineering structures under different loading scenarios
方法：
论文提出了一种基于迁移学习的PINN方法，首先在离线阶段确定一个简化的加载情景，并将未知边界条件设置为可学习的参数，以便PINNs能够在有限的位移监测点的支持下预测外部载荷。然后在在线阶段，使用迁移学习来微调离线阶段预训练的模型，以适应实际工程项目中的实时需求。
创新点：
-
利用不确定性加权的多任务学习方法，提高了PINNs在逆问题训练中的效率和准确性。
-
提出了一种基于迁移学习的边界条件可学习PINN方法。通过设置边界条件为可学习参数，并在离线阶段进行预训练，在线阶段通过迁移学习进行微调，实现了对复杂工程结构外部载荷的准确预测。
-
在结构分析中引入PINNs用于预测工程结构外部载荷，这一方法在几何缩放和不同加载场景下表现出良好的鲁棒性。
扫码
添加小享，
回复“
物理迁移
”
免费获取
全部
论
文+开源代码
Transfer learning for deep neural network-based partial differential equations solving
方法：
论文提出了一种将迁移学习应用于基于深度神经网络的偏微分方程求解的方法。通过在Helmholtz方程和Navier-Stokes方程上的一系列实验，展示了迁移学习在提高预测解的准确性和训练效率方面的优势。实验证明，即使在不同的PDE系统之间，迁移学习方法也能显著提高预测解的准确性，并且最多可以提升97.3%的性能。
创新点：
-
作者在不同偏微分方程（PDE）系统，如Helmholtz方程和Navier-Stokes方程之间应用迁移学习方法，显著提升了预测精度。
-
通过量化不同网络层中学习特征的泛化程度，作者揭示了迁移学习在不同PDE系统中的特征转移能力。
-
提出了一种自适应学习率算法和全新神经网络架构，以解决基于物理信息的神经网络（PINN）中的不稳定性问题，并开发了两个PINN变种：PINN-anneal和GP-PINN。
