内容源自公主号计算机科研圈

PINN实在太好发论文了！在Nature、Science，和NeurIPS、ICLR等顶会上，都是霸榜的存在。PINN（物理信息神经网络）与LSTM（长短期记忆网络）的融合研究，已成为深度学习领域突破高区的创新路径。该方向兼具策略独创性与技术普适性——PINN与LSTM本身即为顶会顶刊的常见投稿主题，两者协同后形成方法论互补，显著提升研究的创新层次与发表潜力。

为助力研究者获取思路与创意，小图特意为大家整理了3篇有关PINN+LSTM的论文，致力发计算机顶会顶刊论文的同学们不要错过呀！

A thermodynamically consistent physics-informed deep learning material model for short fiber/polymer nanocomposites

方法：

文章以物理信息长短期记忆网络（PI-LSTM）模型通过将热力学物理定律作为约束嵌入网络架构，并结合LSTM捕捉材料变形的时序演化特征，在短纤维/聚合物纳米复合材料力学行为预测中展现出卓越性能，既保证了热力学一致性，又显著提升了预测精度与跨工况泛化能力。。

创新点：

• 提出了一种基于物理信息深度学习（PIDL）的本构模型，用于研究短纤维增强纳米颗粒填充环氧树脂的粘弹-粘塑性行为。

• 在深度学习模型中强制执行热力学原理，确保热力学一致性。

• 模型能够在不同体积分数的纤维和纳米颗粒下，预测在各种湿热条件下的机械行为。

Health assessment of a brushless direct current motor stator using a physics-informed long short-term memory network

方法：

针对无刷直流（BLDC）电机定子健康状况的无损评估问题，研究提出一种物理信息长短期记忆网络（PI-LSTM）驱动的智能诊断框架。该框架通过深度融合电机电磁学物理方程与实验观测数据，构建具有物理解释性的神经网络模型。

创新点：

• 提出了一种基于物理信息长短期记忆网络（PI-LSTM）的无刷直流电机定子健康评估方法。

• 在PI-LSTM网络中引入创新的损失函数，使其能够有效适应小样本数据的训练。

• 首次将物理信息与长短期记忆网络（LSTM）结合，用于设备健康评估。

A Physics-Informed Event-Triggered Learning Approach to Long-Term Spacecraft Li-Ion Battery State-of-Charge Estimation

方法：

针对航天器锂离子电池的长期荷电状态（SOC）估计问题，研究提出一种基于事件触发的物理信息学习框架。该框架的核心是构建物理信息长短期记忆网络（PI-LSTM），通过融合电池系统的等效电路模型（ECM）动态方程与预训练的高斯过程回归（GPR）模型，实现物理规律与数据驱动的协同建模

创新点:

• 将等效电路模型和预训练的高斯过程回归模型集成到LSTM网络中，形成具有物理可解释性的PI-LSTM网络结构。

• 设计了基于加权平均电压预测误差的事件触发条件，通过使用无损卡尔曼滤波器（UKF）观察SOC，减少信号传输率以节省通信能量。