聊一个经久不衰的热点：物理信息深度学习PIDL。近几年它有个非常值得关注的成果：刊登在《Nature Reviews Physics》上的权威综述Physics-informed machine learning。
对于想做这方向的同学来说，这篇文章可以说必看，因为它能帮你快速掌握PIDL的核心演进脉络，紧跟PIDL的创新趋势：未来这方向的突破将集中在网络结构优化、训练效率提升和跨学科应用三大方向。
当然，要想找到能work的创新点只看这篇可不够，本文根据以上三个方向整理了13篇物理PIDL前沿论文，源码已附，都是值得参考的创新思路，适合还没有idea的同学研读，无偿分享，觉得有用记得点个赞～
全部论文+开源代码需要的同学看文末
An extrapolation-driven network architecture for physics-informed deep learning
方法：论文提出一种基于PINN外推能力的外推驱动神经网络（E-DNN）架构，通过设计外推控制函数与修正项耦合网络参数，以单个神经网络按时间顺序分区间训练，严格保证区间节点连续性和平滑性，高效精准求解依赖物理规律的时变偏微分方程，克服传统 PINN 在大时间域求解中的缺陷。
创新点：
利用物理信息神经网络（PINN）的外推特性，通过修正项拓展训练结果的适用区间。
设计外推控制函数与修正项，构建单网络架构，保证区间解的继承性与节点连续性。
提出三种适配不同方程的架构，分区间独立训练，解决传统PINN大时间域求解难题。
A Physics-Informed Deep Learning Model for MRI Brain Motion Correction
方法：论文提出物理信息深度学习模型 PI-MoCoNet，通过运动检测网络与含 Swin Transformer 块的运动校正网络构成双网络框架，融合空间域与 k 空间信息，采用重建损失、感知损失及数据一致性损失约束，无需显式估计运动参数，即可稳健去除脑部 MRI 中的运动伪影，保障图像保真度。
创新点：
构建双网络框架（运动检测网络+运动校正网络），结合空间域与k空间信息，无需估计运动参数校正 MRI 伪影。
运动校正网络采用融入Swin Transformer块的U-net架构，增强特征表示与长程依赖提取能力，适配不同图像分辨率。
设计包含重建损失、感知损失和k空间数据一致性损失的复合损失函数，有效避免图像幻觉，适配不同伪影程度。
Scalable physics-informed deep generative model for solving forward and inverse stochastic differential equations
方法：论文提出可扩展物理信息深度生成模型（sPI-GeM），通过物理信息基网络（PI-BasisNet）学习基函数与系数、物理信息深度生成模型（PI-GeM）学习系数分布，结合二者输出的内积生成新样本，以物理信息约束实现高维随机与空间域下随机微分方程（SDE）正逆问题的高效求解，突破传统模型在高维空间的局限性。
创新点：
构建含PI-BasisNet与PI-GeM的双模块架构，前者学习基函数与系数，后者学习系数分布，通过内积生成新样本，适配高维场景。
借鉴降维思想，用基函数与系数表征解，避免高维空间离散点带来的计算负担，实现随机与空间双高维SDE求解。
融入物理信息约束，支持SDE正逆问题求解，且收敛速度快、精度高，兼容不同深度生成模型与维度缩减技术。
Intelligent in-cell electrophysiology: Reconstructing intracellular action potentials using a physics-informed deep learning model trained on nanoelectrode array recordings
方法：论文提出物理信息注意力 U 型网络（PIA-UNET），融合改进的 Aliev-Panfilov 模型作为伪物理损失函数，基于纳米电极阵列（NEA）获取的数千组同步细胞外动作电位（eAP）与细胞内动作电位（iAP）配对数据训练，可从 eAP 无创、高精度重建 iAP 波形，适用于高通量药物心脏毒性评估。
创新点：
借助纳米电极阵列获取大量同步eAP/iAP配对数据，发现二者特征强相关性，奠定无创重建基础。
提出PIA-UNET模型，融合改进的Aliev-Panfilov伪物理损失，保障iAP重建的物理合理性与准确性。
实现非侵入式iAP重建，适配多种设备，支持高通量药物心脏毒性评估与长期多细胞监测。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“222”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏
