شبکه عصبی مبتنی بر فیزیک (PINN)
در روش PINN راهنمای شــبکه بــرای پیشبینــی خروجـی، به جـای تعـداد زیـادی داده، معـادلات دیفرانسیل فیزیـکی اســت. مــا در مســائل مهندســی، بــه جــز مســائلی ماننــد هواشناســی کــه بــه لطــف تاریخچه اطلاعــات جمع آوری شــده، حجــم داده مناســبی در دســترس بوده، امــکان جمــع آوری حجــم بــالای داده ای کــه بــرای یادگیــری یــک شــبکه نیــاز اســت را نداریــم. از آنجایـی کـه بـا یـک تغییـر کوچـک در مسـئله نیــاز بــه حــل مجــدد و از صفــر داریــم، شبیه ســازی بــرای جمــع آوری ایــن داده هــا نیــز بســیار زمانبــر اسـت؛ پـس بایـد راه دیگـری اتخـاذ کـرد. اینجاسـت کـهPINN وارد میشــود. از جمله برتری هـای ایـن روش نســبت بــه روش هــای عددی مرســوم، میتــوان بــه عــدم نیــاز بــه مش زنــی اشــاره کــرد. در روش هــای مرســوم، زمــان زیـادی بـرای سـاخت مـش مناسـب صـرف میشـود؛ امـا در PINN مـا عمـلا بـا تعـداد زیـادی نقطه تصادفی سـر و کار داریــم و بــه مش زنــی هندســه نیــازی نیســت. از برتری هــای دیگــر PINN میتــوان بــه مســائلی اشــاره کــرد کــه در آن مقــدار داده هــا انــدک بوده و مســئله به طــور کامــل بــرای مــا روشــن نیســت؛ بــرای مثــال شـروط مـرزی نامشـخصی داریـم یـا قسـمتی از هندسه مــا نامعلــوم اسـت. اینجاســت کــه میتــوان بــا کمــک PINN مســئله را به خوبــی حــل کــرد، امــا روش هــای عددی مرســوم ایــن توانایــی را ندارنــد. همچنیــن PINN میتوانــد مســائل پارامتــری را حــل کنــد کــه از نقــاط قــوت ایــن روش اسـت؛ بـرای مثــال میتوانیــم هندسه یــک ایرفویــل را به عنــوان پارامترهــای ورودی شـبکه بدهیـم و شـبکه عصبـی مـا هندسه ایـن ایرفویـل را بــا بهینه تریــن حالــت ممکــن بــه مــا تحویــل دهـد.