物理感知算子学习（PINO）

物理感知算子学习（Physics-Informed Neural Operator, PINO）是一种AI for Science方法，通过引入物理守恒律作为正则项，使深度学习模型产生物理上可行的仿真结果。

核心突破

arXiv:2603.01420（2026.03.04）提出了一种基于有限元引导的物理感知算子学习框架（iFOL）。该算法通过引入物理守恒律作为正则项，解决了深度学习模型在工业仿真中经常出现的"物理上不可行"的问题。

工业价值

在铸造与流体耦合仿真中，该模型在推理阶段比传统有限元分析（FEA）快10,000倍，且保持了98%以上的精度。这一突破为工业仿真领域带来了数量级的效率提升，是工业智能从"技术验证"走向"[[大规模部署]]"的关键技术支撑。