近日，arXiv平台发布一项关于物理信息神经网络（PINNs）的技术研究，题为《Compositional Meta-Learning for Mitigating Task Heterogeneity in Physics-Informed Neural Networks》。 PINNs通过将物理定律嵌入损失函数来近似偏微分方程（PDE）的解，但在参数化PDE家族中，系数或边界/初始条件的差异定义了不同任务，单独训练每个PINNs计算成本极高，该研究提出组合元学习方法以缓解这一任务异质性问题。