PINN+CNN的融合，是当前计算机与科学智能交叉领域中的热门方向。它的研究重点，已经不再停留在简单的模块拼接，而是逐步转向更具方法价值的物理约束建模。过去很多工作通常让CNN负责空间特征提取，再通过PINN引入物理损失；但近期相关研究开始强调，物理规律不应只是训练阶段的额外约束，而应进一步嵌入网络结构、特征表示和泛化机制之中。

这一变化背后，是工程计算与科学建模任务对模型提出了更高要求。模型不仅要预测准确，还要能在小样本、强噪声、跨工况以及高保真仿真数据不足的条件下保持稳定。CNN擅长处理图像与空间结构，但容易缺少物理一致性；PINN具备方程约束优势，却在高维复杂场景中表达能力受限。因此，物理约束卷积网络正在成为新的研究切口，尤其适合物理场重建、参数反演、装备故障诊断和科学机器学习等方向。

如果你最近在看选题、想找更适合发文的方向，我整理了10篇PINN+CNN 相关前沿论文，附官方代码，扫描下方二维码领取。

扫码回复“PINN+CNN”

免费获取全部论文+开源代码

Comm. Phys. 2026｜Attaining Physics-Driven Convolutional Operators by Architecture Design

大量物理系统都可以用偏微分方程刻画，但高精度仿真数据获取成本很高，而传统神经算子通常又需要依赖大量成对标注数据进行训练。针对这一限制，研究提出物理驱动卷积算子，将卷积网络的空间建模能力与物理方程约束结合起来，使模型能够在缺少标签样本的情况下，直接学习物理系统从输入条件到解场之间的映射关系。

在方法设计上，该工作分别采用U-Net处理稳态物理问题，采用ConvLSTM建模随时间演化的动态问题，并利用偏微分方程残差、边界条件约束以及有限差分微分算子共同指导训练。与常规的用CNN提取特征或在PINN中额外加入损失项不同，这一方法更强调卷积结构对物理算子本身的表达能力，让网络能够更自然地捕捉复杂空间场、多尺度变化以及时间演化规律。

实验部分覆盖Eshelby夹杂、弹性波传播和Allen-Cahn相场演化三个典型任务。结果显示，该方法在未见过的夹杂形态、长时间预测以及微结构演化建模中，都能保持较好的误差表现和物理一致性。尤其是Table 1的结果表明，在参数量和显存开销更低的情况下，该模型相比MLP、DeepONet和FNO取得了更优的预测精度。

这项研究的意义在于，它为PINN与CNN结合提供了更深入的思路：重点不再是简单叠加网络模块，而是通过物理约束、卷积算子学习和无标签训练机制，提升模型在复杂工况下的泛化能力。对于关注科学机器学习、物理建模和SCI选题的研究者而言，物理约束卷积网络正在成为一个值得持续跟进的方向。

扫码回复“PINN+CNN”

免费获取全部论文+开源代码

ICLR AI&PDE 2026｜PRESS: Physics-Regularized Parameter Estimation from Steady-State Turing Patterns

这篇工作聚焦反应扩散系统中的参数反演难题：当研究者只拥有一张静态图灵斑图，而缺少完整时间演化数据时，如何从最终形态中推断出系统背后的关键控制参数。传统数据驱动CNN擅长提取图像纹理，但难以保证预测结果符合物理规律；而常规PINN方法通常依赖时间轨迹或针对单个样本反复优化，在静态图像参数反演场景中效率和适配性都存在不足。

针对这一问题，论文提出PRESS框架，把稳态物理约束融入CNN参数估计流程。具体而言，模型首先利用CNN从图灵斑图中回归反应扩散系统参数，然后基于稳态条件构建偏微分方程残差，并通过固定卷积核近似拉普拉斯算子，将物理方程约束直接写入训练目标。这样一来，网络不仅学习斑图中的空间纹理和形态特征，还会被引导生成满足反应扩散机制的参数预测结果。

实验表明，在小样本和中等规模数据条件下，PRESS相比纯数据驱动CNN具有更稳定的参数估计能力。Table 2显示，在8000个样本和四层空洞卷积结构设置下，参数误差由0.1299降低到0.0507，物理残差由0.5369降低到0.0440。Table 4进一步说明，物理损失权重并非越大越好，需要在数据拟合与物理一致性之间取得平衡。Figure 2也表明，PRESS恢复出的参数能够生成更接近真实图灵斑图形态的结果。

这项工作的意义在于，它把PINN与CNN的结合从简单的卷积特征提取+物理损失约束，推进到静态观测条件下的物理一致参数反演。对于医学影像、材料显微结构、生物形态生成和科学机器学习等方向来说，这类物理约束图像反演方法提供了一个很有潜力的研究切口。

扫码回复“PINN+CNN”

免费获取全部论文+开源代码

Drones 2026｜Physics-Informed Convolutional Neural Network for Localizing and Identifying Rotor Unbalance in the Long-Endurance UAV Turbine Engine

这篇工作聚焦长航时无人机涡轮发动机中的转子不平衡诊断问题。转子不平衡往往会造成异常振动，进而威胁发动机的安全性与稳定性。传统动力学方法高度依赖精确建模，面对复杂支撑刚度和多盘转子结构时建模难度较高；而纯数据驱动CNN虽然具备特征提取能力，却缺少物理机制约束，容易在复杂工况下出现泛化不足。

针对这一问题，论文提出物理信息卷积神经网络。方法上，首先利用频率响应函数构建物理信息层，用于判断主导故障盘所在位置；随后根据定位结果调用对应的轻量级CNN子网络，对不平衡幅值和相位进行识别。相比直接让CNN一次性回归全部故障参数，这种先定位、再识别的策略能够降低无关参数干扰，同时增强模型的物理可解释性和工程适配性。

实验部分同时包含数值仿真和双盘转子—轴承—机匣实验平台。结果表明，该模型在单盘主导和双盘主导不平衡场景下均能保持较低识别误差。与纯CNN和ResNet34相比，该方法在识别精度、参数规模和计算成本上都更具优势。消融实验与鲁棒性测试进一步说明，物理信息层能够有效提升故障定位能力，并且模型在卷积核尺寸变化、噪声干扰以及传感器位置偏差条件下仍具有较好的稳定性。

这项工作的价值在于，它将PINN与CNN的结合从通用物理场求解拓展到真实工程健康监测任务中，说明物理约束卷积网络不仅可用于科学计算，也具备服务于无人机动力系统、旋转机械故障诊断和复杂装备智能运维的潜力。

扫码回复“PINN+CNN”

免费获取全部论文+开源代码

看完这些最新研究方向，就可以开始准备CVPR、ICLR、AAAI等顶会论文了，但是如果你在写论文时还是想不出idea，缺乏数据集，不知道如何选择期刊投稿，那么可以找到追梦AI！ 专注学术背景提升，为大学生、硕士、博士提供专业的学术辅导服务。（郑重声明：不代写！）

领取福利

科研资料大放送：

1.《申博咨询规划一次》

2.《1000+热门idea合集》

3.《往期大牛热点分析直播课》

4.《全方向顶会顶刊论文合集》

扫码免费领取科研大礼包