在现代CAE仿真中，如何在保证精度的同时提高求解效率是核心挑战之一。物理引导的深度学习（Physics-Informed Deep Learning, PIDL）以其将物理定律直接嵌入神经网络的创新方式，为解决这一难题提供了全新思路。通过引入物理约束，PIDL不仅提高了仿真精度，更显著增强了模型的泛化能力，成为多物理场耦合分析、复杂边界条件处理的有力工具。

基础物理信息神经网络（Basic PINN）

基础 PINN 将物理方程（如偏微分方程）引入神经网络的损失函数，通过优化神经网络的输出满足物理方程约束。适用于各种物理场的模拟，如流体力学、热传导和应力分布等。基础 PINN 可用于预测流体速度场、温度分布等，尤其在边界条件已知的仿真任务中表现良好。

自适应物理信息神经网络（Adaptive PINN, APINN）

APINN 在训练过程中根据误差自适应调整损失权重，以更好地满足复杂边界条件和非均匀区域的物理约束。适用于多物理场耦合问题或具有复杂边界的仿真任务。例如，在多尺度应力分析中，APINN 可以更 精确地捕捉细节变化，提高多物理场耦合求解的精度。

扩散 PINN（Diffusion PINN）

扩散 PINN 结合了扩散模型，用于模拟物质或能量扩散过 程，如热传导、污染物扩散等。在 CAE 中，扩散 PINN 可以用于多物理场中热传导、浓 度场等扩散过程的模拟，适合包含扩散过程的传热或流体流动问题。 

变分PINN（Variational PINN, VPINN）

VPINN 通过变分原理将物理约束直接融入网络结构，利用最小化功能实现物理场模拟。VPINN 适用于高维复杂场模拟和非线性物理问题。例如，在结构分析中，VPINN 可以模拟复杂应力场和变形场，同时兼顾精度和计算效率。

多尺度 PINN（Multiscale PINN, MPINN）

MPINN 将多尺度特征引入神经网络，适用于多尺度场的耦合模拟。在CAE中，MPINN可以用于跨尺度的结构仿真、流固耦合等任务，尤其适合需要捕捉大尺度和小尺度特征的场。多尺度PINN可在宏观和微观尺度下对材料行为和结构变形进行精确建模。 

离散 PINN（Discrete PINN, DPINN）

DPINN 通过离散化的方式处理物理方程，适合在离 散的网格或点云上进行仿真。适用于复杂几何结构的有限元网格仿真。例如，在 CAE的点云或网格结构中，DPINN可以快速模拟应力场分布，适合不规则结构的分析。

时序 PINN（Temporal PINN, TPINN）

TPINN 引入时间维度的物理约束，用于动态物理场的时序预测。TPINN适合动态仿真任务，如材料疲劳分析、裂纹扩展预测等。在CAE中，它可以用于在不同时间步下模拟结构的变形和应力变化，尤其适合多时间步物理场预测任务。 

自监督 PINN（Self-Supervised PINN）

自监督 PINN 通过自监督学习进行训练，可在无标签数据上进行优化，同时满足物理约束。在CAE 中，自监督PINN可以用于数据稀缺或无标签情况下的仿真任务，例如在未知边界条件下进行应力预测和流体模拟，通过物 理约束实现自监督学习。

条件 PINN（Conditional PINN, CPINN）

CPINN通过条件信息引导网络，生成符合特定条件的物理场。在CAE仿真中，CPINN 可以用于根据指定边界条件或材料属性生成符合条件的应力或温度分布图。例如，在不同载荷条件下生成符合特定结构设计的仿真数据，支持多条件控制下的物理场模拟。 

联合物理信息神经网络（Coupled PINN, CPINN）

联合PINN通过联合不同物理方程或条件进行多物理场的耦合求解。在多物理场仿真（如流固耦合、热-流-固耦合）中，联合PINN 可以将流体力学、热传导和结构力学等不同场耦合求解，提高多物理场仿真的一致性和精度。