Когда физика встречает машинное обучение: обзор physics-informed machine learning
When physics meets machine learning: a survey of physics-informed machine learning
2025-05-07
SCID: 54.1/d4qgfasb
Discuss with AI
физическая правдоподобностьинтеграция физических знанийфизически-информированное машинное обучениеаприорные физические знания
Figures from the paper
Abstract (AI)
Physics-informed machine learning (PIML), сочетание априорных физических знаний с данными и моделями машинного обучения, зарекомендовал себя как эффективный способ смягчения нехватки обучающих данных, повышения обобщающей способности моделей и обеспечения физической правдоподобности результатов. В этой статье мы обзорно рассматриваем широкий спектр недавних работ по PIML и суммируем их по трём ключевым аспектам: 1) мотивы применения PIML, 2) физические знания в PIML и 3) методы интеграции физических знаний в PIML. Мы также обсуждаем текущие проблемы и соответствующие исследовательские возможности в области PIML.
Key Findings
1
PIML повышает обобщающую способность моделей и обеспечивает физическую правдоподобность результатов по сравнению с чисто дата-ориентированными подходами.
2
Физически-информированное машинное обучение (PIML) сочетает априорные физические знания с моделями на данных для смягчения нехватки обучающих данных.
3
В статье выделены текущие проблемы PIML и обозначены соответствующие исследовательские возможности для этой области.
4
Обзор классифицирует недавние работы PIML по мотивациям, типам используемых физических знаний и методам интеграции физики в обучение.
Research Object
Physics-informed machine learning (PIML) — машинное обучение с учётом физики (PIML)
Research Subject
Мотивации, виды априорных физических знаний и методы их интеграции в модели машинного обучения, а также связанные вызовы и исследовательские возможности в области PIML
Publication Details
Publication Date
2025-05-07
Journal
Publisher
ISSN
Cited by
410
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
Глубокое остаточное обучение для распознавания изображений2016
Градиентное обучение для распознавания документов1998
Обучение «последовательность-в-последовательность» с помощью нейронных сетей2014
Нейронный машинный перевод посредством совместного обучения выравниванию и переводу2014
Сверточные нейронные сети для классификации предложений2014
Каузальность2009
Informer: эффективный трансформер для прогнозирования временных рядов большой длины и дальнейшее развитие этого подхода2021
Рекурсивные глубокие модели для семантической композицией по дереву тональности2013
Нейронная передача сообщений для квантовой химии2017
Взаимодействующие сети для обучения представлениям об объектах, отношениях и физике2016
Работы, цитирующие эту статью3
Вычислительные подходы, оптимизирующие процесс открытия лекарственных средств2023
Информированный физикой машинный интеллект: всесторонний обзор приложений в обнаружении аномалий и мониторинге состояния2024
Искусственный интеллект для многоуровневого моделирования в физике и химии твёрдого тела: всесторонний обзор2026