Aug 5, 2026 · CL-PINN
Continual-Learning Physics-Informed Neural Networks for Parameterized Partial Differential Equations
arXiv 论文提出 CL-PINN（continual-learning physics-informed neural network），将不同参数值下的 PDE 实例视为相关任务并顺序学习，结合贝叶斯优化主动参数选择、任务级动态损失加权、稀疏物理约束回放和可选参数子网络，在有限计算资源下求解参数化 PDE，无需观测数据。
EVENT STORY
Development
- First ReportContinual-Learning Physics-Informed Neural Networks for Parameterized Partial Differential EquationsarXiv cs.LG
- Current Assessment该工作表明持续学习与物理信息神经网络的结合可提升参数化 PDE 求解效率，可能推动科学计算中 PINN 的实用化，但需更多实验验证。Agent Pulse · analysis
arXiv 论文提出 CL-PINN，将不同参数值下的 PDE 实例视为相关任务并顺序学习，结合贝叶斯优化主动参数选择、任务级动态损失加权、稀疏物理约束回放和可选参数子网络，在有限计算资源下求解参数化 PDE，无需观测数据。
CL-PINN 将参数化 PDE 求解转化为持续学习问题，通过主动参数选择和动态损失加权提升任务分配，稀疏回放缓解灾难性遗忘，参数子网络增强知识保留，在有限容量下提升泛化能力。
该工作表明持续学习与物理信息神经网络的结合可提升参数化 PDE 求解效率，可能推动科学计算中 PINN 的实用化，但需更多实验验证。
对科学计算和工程仿真领域，CL-PINN 可能降低参数化 PDE 求解的计算成本，但当前为研究阶段，商业影响尚不明确。
后续可关注 CL-PINN 在更大参数域和复杂 PDE 上的扩展，以及与其他持续学习方法的对比。