Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations

• 类型：arxiv
• 标识：1711.10561
• 链接：https://arxiv.org/abs/1711.10561
• 主题：llm-infra
• 主分类：engineering
• 形态：application
• 被引：1187
• 被引来源：Semantic Scholar
• S2被引：1187
• OpenAlex被引：978
• 影响力被引：91
• TLDR：This two part treatise introduces physics informed neural networks -- neural networks that are trained to solve supervised learning tasks while respecting any given law of physics described by general nonlinear partial differential equations and demonstrates how these networks can be used to infer solutions topartial differential equations, and obtain physics-informed surrogate models that are fully differentiable with respect to all input coordinates and free parameters.
• OpenAlex ID：W2772097715
• OpenAlex DOI：10.48550/arxiv.1711.10561
• DOI：10.48550/arxiv.1711.10561
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1711.10561
• OpenAlex更新：2026-08-08
• 待LLM分类：否
• 成熟度：research
• 场景：科学计算、偏微分方程、物理建模
• 标题中文：物理信息深度学习（第一部分）：非线性偏微分方程的数据驱动求解
• TLDR中文：本文为两部分组成的专题论文，介绍物理信息神经网络——一类在训练求解监督学习任务时遵循由一般非线性偏微分方程所描述的物理定律的网络；并展示如何利用这些网络推断偏微分方程的解，以及获得对所有输入坐标和自由参数完全可微的物理信息代理模型。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]