物理信息神经网络的进化优化：Evo-PINN前沿与机遇
神经与进化计算
2026-02-23 v5 计算工程、金融与科学
机器学习
摘要
在有限数据上训练的深度学习模型缺乏对物理世界的完整理解。另一方面，物理信息神经网络(PINN)通过将数学可表达的自然法则纳入训练损失函数，融入了这种知识。通过遵守物理定律，PINN在数据有限的情况下比纯数据驱动模型具有优势，并成为实现物理人工智能的有前途的途径。这一特性使其成为科学机器学习的前沿，而科学机器学习的特点是数据稀缺且昂贵。然而，精确的物理信息学习愿景伴随着重大挑战。本文从模型优化和泛化角度审视PINN，揭示了需要新的算法进展来克服当前PINN模型在训练速度、精度和泛化性方面的问题。特别值得关注的是无梯度进化算法(EA)用于优化PINN训练中独特的复杂损失景观。将梯度下降和EA协同用于发现定制神经架构和平衡物理信息学习目标中多个项的方法被视为未来研究的重要方向。另一个令人兴奋的方向是将EA作为可泛化PINN模型的元学习器。为了证实这些提议的方向，我们进一步强调了最近文献中的结果，以展示这些方法在解决上述PINN优化和泛化挑战方面的早期成功。
引用
@article{arxiv.2501.06572,
title = {Evolutionary Optimization of Physics-Informed Neural Networks: Evo-PINN Frontiers and Opportunities},
author = {Jian Cheng Wong and Abhishek Gupta and Chin Chun Ooi and Pao-Hsiung Chiu and Jiao Liu and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2501.06572},
year = {2026}
}
备注
Accepted for publication in IEEE Computational Intelligence Magazine