.png){kind=icon}
.png){kind=icon}
返回
From Data to Physics: Physics-Informed Machine Learning Frameworks in Interdisciplinary Applications
.png){kind=icon}
PRE
AI
DOI：10.3390/dynamics6020016.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算建模和机器学习已影响多个科学领域，并加速了多方面的进展。然而，传统机器学习模型存在诸多已知缺陷：除需大量数据外，可能无法超越训练数据泛化，常被视为“黑箱”，且可能预测物理不一致的结果。为应对这些局限，物理信息机器学习（PIML）作为一个新兴领域应运而生，将领域知识（如能量或质量守恒）直接融入数据驱动算法。本文综述了PIML的基础和主要策略，将方法分为三类：自动发现与系统辨识、连续时间建模和算子学习。此外，专设章节分析了物理信息神经网络，涵盖架构基础、正反问题构建、损失函数设计与实现挑战。论文还综述了PIML在材料科学、生物医学工程和分数微积分中的跨学科应用。在此背景下，综述还分析了开放性挑战，并概述了该领域的未来方向。
Keyword:
physics-informed neural networks
scientific machine learning
fractional calculus
biomedical modeling
engineering