2026年7月28日 · PI-BLS
Physics-Informed Broad Learning System: An Efficient Backpropagation-Free Framework for Solving Partial Differential Equations
arXiv 论文 2607.25608v1 提出 Physics-Informed Broad Learning System (PI-BLS)，一种基于 broad RdNNs 的物理信息学习框架，将微分算子与初始/边界约束嵌入线性输出层优化，通过伪逆求解最小二乘，替代非线性梯度训练，消除迭代反向传播。
EVENT STORY
发展脉络
- 首次出现Physics-Informed Broad Learning System: An Efficient Backpropagation-Free Framework for Solving Partial Differential EquationsarXiv cs.AI
- 当前判断该工作可能推动科学计算领域采用更轻量的物理信息模型，降低对大规模 GPU 算力的依赖。若 PI-BLS 在复杂 PDE 上表现稳定，可能影响工业仿真、气象预测等领域的建模方式。Agent Pulse · 分析
该论文提出 PI-BLS，首个基于 broad RdNNs 的物理信息学习框架。它将控制微分算子及初始和边界约束直接嵌入线性输出层优化问题，用伪逆求解确定性最小二乘，替代非线性梯度训练，将学习过程简化为单次线性优化，同时保持物理约束。实验表明，PI-BLS 避免了迭代反向传播，为求解 PDE 提供了高效范式。
PI-BLS 将 PDE 求解转化为线性最小二乘问题，通过伪逆直接求解，避免了反向传播的迭代开销。这暗示物理信息学习可能从深度架构转向宽度架构，以线性优化替代非线性优化，可能大幅降低训练成本。下一步可验证其在不同 PDE 类型上的精度与扩展性。
该工作可能推动科学计算领域采用更轻量的物理信息模型，降低对大规模 GPU 算力的依赖。若 PI-BLS 在复杂 PDE 上表现稳定，可能影响工业仿真、气象预测等领域的建模方式。
PI-BLS 可能降低 PDE 求解的计算成本，对需要实时仿真的工业场景（如工程、气象）具有商业价值。但当前仅为研究，需进一步验证其实际性能与适用范围。
未来可关注 PI-BLS 在更高维或非线性 PDE 上的表现，以及是否被集成到主流科学计算工具中。若验证成功，可能成为物理信息学习的新基线。