近期，一項發表在arXiv預印本上的研究（編號2605.05217）提出了一種改進的物理資訊神經網路（PINN）框架，透過可學習的損失平衡機制和遷移學習策略，顯著提升了在資料稀缺條件下的科學機器學習效能。該工作由Reza Pirayeshshirazinezhad完成，論文於2026年4月17日提交，屬於電腦科學機器學習領域。
傳統的PINN方法通常基於固定或啟發式的權重來平衡物理殘差和資料損失，這往往需要手動調整且難以保證最優效能。新框架的核心創新在於引入了一個可學習的混合神經元，它能夠根據各部分的不確定性動態調整物理項和資料項的貢獻比例。這一機制不僅使訓練過程更加穩定，還提高了模型的泛化能力，而無需繁瑣的人工調參。這種自適應平衡方式類似於不確定性加權，但更直接地透過神經網路學習得到。
為了進一步提升效率，研究者還整合了遷移學習技術，透過重用來自相關領域的表徵，並使其適應新物理系統，從而在僅有少量資料的情況下也能獲得良好的效果。具體來說，模型首先在與目標域相關的源域上進行預訓練，提取通用特徵，然後在目標域上進行微調。實驗驗證聚焦於液態金屬微型散熱器中的熱傳遞預測任務，僅使用了87組計算流體動力學（CFD）資料點。結果顯示，自適應PINN的預測誤差低於8%，表現優於淺層神經網路、核方法以及僅依賴物理的基線模型。這些基線包括標準PINN、支援向量迴歸等。
該框架為將物理知識自適應地嵌入神經網路提供了一種通用方案，為流體動力學、材料建模等資料稀缺領域的科學研究提供了一種穩健且可重複的方法。這一成果對於推動資料驅動與物理驅動方法的融合具有重要意義，尤其在工程應用中，當實驗資料獲取成本高昂時，能夠有效降低對大量標註資料的依賴。論文還指出，該方法可以推廣到其他涉及偏微分方程的物理系統，具有廣泛的應用前景。