![图片](https://image.jiqizhixin.com/uploads/editor/2702e81c-5f36-4426-8e5b-906708087daf/640.png)
为什么要引入物理知识
![图片](https://image.jiqizhixin.com/uploads/editor/2a8760dd-39cd-4caf-b40c-8cb4bbe62099/640.png)
如何将物理知识嵌入机器学习
![图片](https://image.jiqizhixin.com/uploads/editor/a33cfc1c-ae12-4185-9068-bdff7778fc61/640.png)
以PINN为例,有着广泛的应用
![图片](https://image.jiqizhixin.com/uploads/editor/ccc6193f-1b39-43aa-b990-cbe374f4cf8b/640.png)
总结与展望
总结
基于物理信息的机器学习无缝集成数据和物理模型。 基于神经网络的回归方法提供有效、简单和无网格的实现。 物理信息神经网络对于逆问题有效且高效,并且结合域分解可扩展到大型问题。
展望
寻找新的内在变量和表示以及具有内置物理约束的等变神经网络架构是未来研究的有前景的领域。 需要为可扩展、稳健和严格的下一代基于物理信息的机器学习开发新框架和新的数学理论以及标准化基准。
论文链接:https://doi.org/10.1038/s42254-021-00314-5