Artificial Intelligence For Partial Differential Equations In Computational Mechanics: A Review
Rattachement africain : de, cn, au. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Abstract In recent years, Artificial intelligence (AI) has become ubiquitous, empowering various fields, especially integrating artificial intelligence and traditional science (AI for Science: Artificial intelligence for science), which has attracted widespread attention. In AI for Science, using artificial intelligence algorithms to solve partial differential equations (AI for PDEs: Artificial intelligence for partial differential equations) has become a focal point in computational mechanics. The core of AI for PDEs is the fusion of data and partial differential equations (PDEs), which can solve almost any PDEs. Therefore, this article provides a comprehensive review of the research on AI for PDEs, summarizing the existing algorithms and theories. The article discusses the applications of AI for PDEs in computational mechanics, including solid mechanics, fluid mechanics, and biomechanics. The existing AI for PDEs algorithms include those based on Physics-Informed Neural Networks (PINNs), Deep Energy Methods (DEM), Operator Learning, and Physics-Informed Neural Operator (PINO). AI for PDEs represents a new method of scientific simulation that provides approximate solutions to specific problems using large amounts of data, then fine-tuning according to specific physical laws, avoiding the need to compute from scratch like traditional algorithms. Thus, AI for PDEs is the prototype for future foundation models in computational mechanics, capable of significantly accelerating traditional numerical algorithms.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Artificial Intelligence For Partial Differential Equations In Computational Mechanics: A Review
- Date Crossref
- 18/04/2026
- Éditeur
- ASME International
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Bauhaus-Universität Weimar pays non établi dans la noticeUniversité ou école supérieure
-
Tsinghua University Department of Engineering Mechanics pays non établi dans la noticeUniversité ou école supérieure
-
Queensland University of Technology ARC Industrial Transformation Training CentreJoint Biomechanics pays non établi dans la noticeUniversité ou école supérieure
-
Leibniz University Hannover Institute of Photonics pays non établi dans la noticeUniversité ou école supérieure
-
China National Petroleum Corporation (China) pays non établi dans la noticeEntreprise
-
Institute of Structural Mechanics pays non établi dans la noticeStructure de recherche
-
School of Mechanical pays non établi dans la noticeUniversité ou école supérieure
-
CNPC Engineering Technology RD Company Limited Drilling Mechanical Department pays non établi dans la noticeEntreprise
Bauhaus-Universität Weimar, Department of Engineering Mechanics — Tsinghua University et ARC Industrial Transformation Training CentreJoint Biomechanics — Queensland University of Technology, avec 5 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.