类型b：学术综述报告

本文档是由Zaharaddeen Karami Lawal、Hayati Yassin、Daphne Teck Ching Lai和Azam Che Idris共同完成的系统性文献综述，发表于2022年11月的《Big Data and Cognitive Computing》期刊（卷6，第140期）。这些作者来自Universiti Brunei Darussalam的不同院系，包括综合技术学院、应用数据科学研究所和数字科学学院。该论文通过对120篇文献的系统分析，探讨了物理信息神经网络（Physics-Informed Neural Networks, PINNs）的演进历程、改进方法及未来研究方向。

主要观点一：PINNs的研究现状与局限性
论文指出，PINNs作为一种融合物理定律与深度学习的方法，在求解偏微分方程（Partial Differential Equations, PDEs）方面展现出独特优势。作者通过PRISMA框架筛选出2019-2022年间120篇核心文献，发现80.8%的研究仍采用传统PINNs框架。然而，PINNs存在三大局限性：（1）训练成本高，难以满足实时应用需求；（2）梯度消失问题在深层网络中显著；（3）解易陷入局部极小值。这些结论得到Raissi等（2019）的原始研究数据支持，其论文被引用3442次，成为该领域奠基性工作。

主要观点二：性能优化的三类创新方法
作者将改进方法归纳为三大类：
1. 扩展型PINNs：如保守PINNs（CPINNs）通过子域分解提升泛化能力（Jagtap等，2020），非局部PINNs（NPINNs）适用于积分方程求解（Pang等，2021）。但这类方法存在并行计算支持不足的问题。
2. 混合型PINNs：例如结合卷积神经网络（CNN）的混合框架（Fang，2021）能有效处理空间特征，但无法应用于非线性算子场景。Parareal PINNs（Meng等，2021）通过小数据集加速计算，却难以处理大型空间数据库。
3. 损失最小化技术：如元学习初始化方法（Liu等，2022）利用参数化PDE任务分布优化损失函数，但依赖先验知识。实验数据显示，这些方法可使训练效率提升30-50%（见表3-5的对比数据）。

主要观点三：未来研究方向
基于现有改进方法的不足，论文提出多个未来突破点：
- CPINNs的并行计算扩展（Jagtap等，2020未实现）
- 混合PINNs对多保真度数据的支持（Yang，2021的局限性）
- 无先验知识的迁移学习应用（Liu等，2022的空白领域）
特别强调，结合图神经网络（GNN）或循环神经网络（RNN）的时间序列建模可能是下一代PINNs的发展方向。

文献计量学分析的价值
通过Scopus和Web of Science数据库的量化分析，作者发现：
- 美国、中国和欧洲国家贡献了78%的出版物
- 《Journal of Computational Physics》以309次引用成为最具影响力期刊
- 数学领域论文占比29.2%，超越工程学（25.8%）和计算机科学（24.2%）
这些数据为研究者提供了明确的领域发展地图（见图4-7）。

论文的学术意义
该研究首次系统梳理了PINNs的技术谱系，其分类框架（扩展/混合/损失优化）被后续研究者广泛引用。作者提出的”物理约束与数据驱动协同优化”理念，为解决PDE高维问题提供了方法论指导。此外，文献计量结果揭示了该领域的地域不平衡性，对科研政策制定具有参考价值。文末补充的PRISMA检查清单（附件）为同类综述研究树立了标准化范例。