近期，一项发表在arXiv预印本上的研究（编号2605.05217）提出了一种改进的物理信息神经网络（PINN）框架，通过可学习的损失平衡机制和迁移学习策略，显著提升了在数据稀缺条件下的科学机器学习性能。该工作由Reza Pirayeshshirazinezhad完成，论文于2026年4月17日提交，属于计算机科学机器学习领域。
传统的PINN方法通常基于固定或启发式的权重来平衡物理残差和数据损失，这往往需要手动调整且难以保证最优性能。新框架的核心创新在于引入了一个可学习的混合神经元，它能够根据各部分的不确定性动态调整物理项和数据项的贡献比例。这一机制不仅使训练过程更加稳定，还提高了模型的泛化能力，而无需繁琐的人工调参。这种自适应平衡方式类似于不确定性加权，但更直接地通过神经网络学习得到。
为了进一步提升效率，研究者还整合了迁移学习技术，通过重用来自相关领域的表征，并使其适应新物理系统，从而在仅有少量数据的情况下也能获得良好的效果。具体来说，模型首先在与目标域相关的源域上进行预训练，提取通用特征，然后在目标域上进行微调。实验验证聚焦于液态金属微型散热器中的热传递预测任务，仅使用了87组计算流体动力学（CFD）数据点。结果显示，自适应PINN的预测误差低于8%，表现优于浅层神经网络、核方法以及仅依赖物理的基线模型。这些基线包括标准PINN、支持向量回归等。
该框架为将物理知识自适应地嵌入神经网络提供了一种通用方案，为流体动力学、材料建模等数据稀缺领域的科学研究提供了一种稳健且可重复的方法。这一成果对于推动数据驱动与物理驱动方法的融合具有重要意义，尤其在工程应用中，当实验数据获取成本高昂时，能够有效降低对大量标注数据的依赖。论文还指出，该方法可以推广到其他涉及偏微分方程的物理系统，具有广泛的应用前景。