Physics-informed machine learning
PulseAugur coverage of Physics-informed machine learning — every cluster mentioning Physics-informed machine learning across labs, papers, and developer communities, ranked by signal.
-
物理信息ML提升PHM性能，综述发现 · 跟踪1个来源
对212项研究的系统性文献综述显示，物理信息机器学习（PIML）越来越多地应用于预测与健康管理（PHM）任务。虽然PIML模型在预测性能上优于传统数据驱动方法，尤其是在锂离子电池和轴承方面，但其在增强泛化能力和因果推断方面的证据尚不充分。该综述建议未来的研究应侧重于开发可迁移的设计模式、用于集成策略的比较基准，以及用于实际部署的轻量级、鲁棒的、可感知不确定性的模型。
-
新的PIKS方法提供通用物理信息核学习
研究人员推出了一种新的物理信息机器学习方法——物理信息核方法（PIKS），旨在克服现有方法的局限性。与难以优化的物理信息神经网络（PINNs）不同，PIKS提供了解析可处理性和闭式解。该方法旨在处理可能不满足传统核方法严格正则性假设的物理目标。PIKS已证明在线性微分约束方面具有通用一致性，并在数值实验中取得了与PINNs和有限元方法相比具有竞争力的结果。
-
提出新的分类法以评估发现的科学定律
一篇新发表在arXiv上的论文探讨了评估已发现的偏微分方程（PDE）的复杂挑战。该研究提出了首个PDE评估指标分类法，强调需要同时考虑预测准确性、物理一致性、可解释性和泛化能力。作者指出，现有指标往往不足，可能导致误解，并为标准化实践提出建议，以推进物理信息机器学习（PiML）领域。
-
关于PIML在交通流建模中失效的研究论文被撤回
Yuan-Zheng Lei 的一篇研究论文，最初于2025年5月提交给arXiv后被撤回，探讨了物理信息机器学习（PIML）在宏观交通流建模中失效的理论和实验原因。研究发现，有效的PIML更新需要数据和物理梯度都与真实梯度对齐，而低分辨率交通数据常常无法满足这一条件。该论文还指出，与LWR相比，ARZ等高阶模型具有更大的相容性误差界限，解释了为什么基于LWR的PIML可能优于基于ARZ的PIML。
-
物理引导的AI可实现更安全的机器人辐射源定位
研究人员开发了一个新的机器人辐射源定位（RSL）框架，该框架利用了物理信息机器学习（PIML）模型。这种方法允许机器人在未知环境中准确估计辐射源位置，而无需考虑其测量路径，从而通过避免直接接近辐射源来提高安全性。PIML模型结合了受物理启发的张量来处理衰减的伽马射线信号，并使用并行计算来提高鲁棒性。该方法已通过高保真模拟和物理实验得到验证，并应用了持续学习技术以实现实际部署。
-
新基准评估用于材料设计的物理信息机器学习
研究人员推出 pinn-gym，一个旨在评估材料设计中物理信息机器学习 (PIML) 模型的新基准。传统的关注曲线误差的评估方法不足以应对现实世界的工程应用，这些应用依赖于下游决策，如候选排序和避免不可行设计。pinn-gym 将一个碰撞和冲击预言器与材料数据相结合，并提供一个协议来评估 PIML 代理，不仅作为曲线预测器，而且作为决策系统。
-
物理信息人工智能改进数据稀疏情况下的洪水预测
研究人员开发了一个新的物理信息机器学习（PIML）框架，以改进短期洪水预报。该方法将水文学知识直接整合到LSTM模型的损失函数中，特别是通过惩罚降水和流量趋势之间的方向不一致性。与标准的LSTM相比，PIML模型在数据稀疏环境和模拟的极端气候情景下表现出更强的鲁棒性和物理合理性。虽然预测极端峰值仍然是一个挑战，但PIML模型显著减少了非物理波动，为未设站盆地的洪水预测提供了更可靠的解决方案。
-
PIML框架提升月球探测器热建模的准确性和速度
研究人员开发了一种新颖的物理信息机器学习（PIML）框架，以改进月球探测器的热建模。该方法集成了一个迁移神经网络（TNN），该网络根据热负荷自适应地确定网格节点划分，从而用更粗糙的网格提高准确性。嵌入了一个可微分的有限差分热模拟器，以实现物理一致性和高效训练，并使用一个上采样层重建高分辨率温度场。与传统的粗网格模型相比，PIML框架在预测准确性方面提高了50%，并且比高保真模拟快3倍。
-
新研究探讨物理信息AI模型泛化能力的极限
两篇新研究论文探讨了物理信息机器学习模型的泛化能力。第一篇论文引入了一个全面的基准测试，用于评估物理基础模型在各种物理领域和分布变化下的表现，揭示了当前模型是条件性通才而非通用型模型。第二篇论文开发了一个PAC-贝叶斯框架，为物理信息机器学习提供统计泛化保证，将物理规律性直接与改进的泛化能力联系起来，并提出了一种新的学习算法。