面向生态动力学的物理信息逆建模框架：基于有限噪声数据的 Moose-Wolf 系统研究

提出基于Transformer学习符号常微分方程的结构化表示，保持交换性以支持符号形式数学推理，区别于依赖数值拟合的传统方法。

提出AKAPINN方法，将Kolmogorov-Arnold网络与PINN结合，应用于非线性应变限制偏微分方程的mesh-free求解，包含精确边界假设和伪Huber损失函数。

研究负载信息质量如何影响电网控制效果，基于DC功率流模型与Grid2Op风格仿真器，探索数据同化与强化学习结合的控制策略。

提出统一框架，将神经PDE求解器（PINNs）与有限元方法通过函数Gauss-Newton问题与Petrov-Galerkin离散化进行融合。

提出PIRNN方法，通过在训练阶段引入历史数据的物理知识，提升物理过程时间序列预测的可解释性和准确性。