标签：综述

综述 / 学习资料

专门梳理 PINN 在迁移学习与元学习方向上的改进方法，解决 PINN 收敛难、对 PDE 参数变化需重新优化的核心瓶颈，是把 PINN 推向量产的工程参考读物。

综述 / 学习资料

数据驱动 + 物理信息神经算子的综述，沿可扩展性、泛化性、数据敏感度三条轴梳理架构谱系（DeepONet / FNO / GNO / PINO / Transformer 系列 / 扩散模型），是理解科学 ML 范式的标准读物。

综述 / 学习资料

聚焦 PDE 场景的物理知识 + ML 系统综述，把方法分为架构层（损失函数 / 结构化预测 / 数据增强）与数据层（多任务 / 元 / 上下文学习），并提供工业落地视角与开源生态盘点。

学习路线图 / 系统性综述

从经典 PDE 数值方法到数据驱动物理 AI 的系统学习路线，覆盖有限元、有限体积、代理模型、PINN 等方法的演进逻辑与适用场景。提供 PyTorch/TensorFlow 多后端实现，适合作为物理 AI 入门首选框架。

年度综述 / 物理信息学习

系统性梳理 2025–2026 年物理信息机器学习（Physics-Informed Learning）领域的主要进展，重点覆盖神经算子、扩散模型在 PDE 求解中的应用、大规模基准测试与工业落地案例。

综述 / 学习资料

系统梳理算子学习方法的综述论文，覆盖 DeepONet、FNO 及其变体的理论、架构与误差分析，是理解「学习无限维映射」最合适的入门与查阅材料。支持 mesh-invariant 推理，可在训练分辨率之外直接查询，适配工业级多保真度应用。

必读基准论文

提出覆盖 16 个物理领域的统一基准，论证「跨领域预训练」对物理 ML 的增益，是物理基础模型方向必读论文。数据集覆盖 16 物理领域、2000+ 仿真，统一接口与评估协议，论证跨领域预训练对 PDE 代理的迁移增益。