近日，arXiv平台发布一篇题为《Compositional Meta-Learning for Mitigating Task Heterogeneity in Physics-Informed Neural Networks》的研究论文，针对物理信息神经网络（PINNs）的痛点展开探索。 PINNs能够通过将物理定律嵌入损失函数，实现偏微分方程（PDE）解的近似。但在参数化PDE家族中，系数、边界或初始条件的差异会形成不同任务，为每个任务单独训练PINNs会带来极高的计算成本。该研究提出组合元学习方法，旨在缓解此类场景下的任务异质性问题。论文链接：https://arxiv.org/abs/2604.26999