了解MathWorks如何保护和恢复地球资源
使用DeepLearningToolbox，您可以构建和训练PINN，从而实现快速预测性分析。您可以将PINN与MATLAB和Simulink相集成，以进行系统级仿真、控制设计和设计优化。
物理信息神经网络(PINN)在深度学习模型的训练中包含支配现实的物理定律，从而能够对复杂现象进行预测和建模，同时遵守基本物理原理。
虽然PINN与纯粹数据驱动方法和传统数值方法相比具有潜在优点，但也存在一些限制和挑战，其中包括：
然而，PINN是充满活力的研究领域，并且在不断进步，有望解决和克服当前面临的上述挑战和限制。
如何在PINN、数据驱动方法和传统数值方法之间作出选择，取决于您的具体应用。下表总结了每种方法的优点和限制。
MATLAB和DeepLearningToolbox全面支持PINN的开发，从创建或导入不同神经网络架构，到使用AD定义自定义物理信息损失函数，再到使用ADAM或L-BFGS等基于梯度的优化算法进行训练，最后到使用高级MATLAB图形可视化解。
PINN可充分利用深度学习的强大功能，同时改进对物理定律的遵从，这使其成为一种多功能工具，适用于完全或部分已知物理定律的应用，例如具有未知系数的PDE或ODE。PINN的应用包括：
在使用DeepLearningToolbox创建和训练PINN后，PINN可与OptimizationToolbox无缝集成以用于设计优化、与Simulink连接以用于系统级仿真，还可用于其他各种应用。
选择网站
选择网站以获取翻译的可用内容，以及查看当地活动和优惠。根据您的位置，我们建议您选择：。
您也可以从以下列表中选择网站：
如何获得最佳网站性能
选择中国网站（中文或英文）以获得最佳网站性能。其他MathWorks国家/地区网站并未针对您所在位置的访问进行优化。