PhysicsInformedDeepLearning（一）前言        物理信息神经网络的作者有MaziarRaissi, ParisPerdikaris,and GeorgeEmKarniadakis，此网络主要用于偏微分方程的解，根据可用数据的性质和排列，设计了两类不同的算法，即连续时间和离散时间模型。其中设计一些方程，如 Burgers’Equation、ShrödingerEquation、Allen-CahnEquation等。在github官网有全部代码。本文主要是对PINNs代码的调通与浅理解。（二）代码调通    由随着计算机快速发展，许多编程语言、编辑器、框架等等都在

本博客主要分为两部分：1、PINN模型论文解读2、PINN模型相关总结第一部分：PINN模型论文解读一、摘要基于物理信息的神经网络（Physics-informedNeuralNetwork，简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。优势：与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型。缺陷：PINN的缺点是较难处理高维数据，低维可以处理，因为所需训练数

本博客主要分为两部分：1、PINN模型论文解读2、PINN模型相关总结第一部分：PINN模型论文解读一、摘要基于物理信息的神经网络（Physics-informedNeuralNetwork，简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。优势：与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型。缺陷：PINN的缺点是较难处理高维数据，低维可以处理，因为所需训练数