中文题目：物理引导的深度学习研究综述：进展、挑战和展望

论文题目：物理引导的深度学习研究综述：进展、挑战和展望

录用期刊/会议：计算机科学与探索 (CCF中文B类)

作者列表：

1） 陈   冲 中国石油大学（北京）人工智能学院 电子系教师

2） 朱啸宇 中国石油大学（北京）人工智能学院 新一代电子信息技术专业 硕 21

3） 王   芳 中国石油大学（北京）人工智能学院 信息与通信工程专业 硕 22

4） 许雅倩 中国石油大学（北京）人工智能学院 新一代电子信息技术专业 硕 19

5） 张   伟 中国科学院西北生态环境资源研究院冰冻圈科学与冻土工程重点实验室可可托海站 副研究员

摘要:

尽管深度学习在处理非线性高维问题时展现出强大的能力，但在复杂科学与工程问题中仍面临诸多挑战，如高昂的计算成本、大量的数据需求、难以解释的黑盒特性，以及缺乏对物理规律的建模能力.为此，近年来涌现了一种新的框架——物理引导深度学习，通过将领域内的物理知识融入深度学习模型的构建和训练过程中，旨在增强模型的性能、可解释性及其物理一致性。本文对国内外关于物理引导深度学习的相关工作进行了全面梳理与分析。首先，介绍了物理引导深度学习框架的主要动机与理论基础。其次，对物理信息组合与物理信息融合两种模式进行了详细讨论，总结了各方法的特点、局限性与应用场景。最后，分析了物理引导深度学习在多领域应用中的表现，并从计算复杂性与优化收敛问题、控制方程偏离问题、观测数据依赖问题与知识融合困难问题四个方面探讨了该框架目前面临的挑战，并基于此展望该领域未来的发展方向，为未来研究者提供了借鉴思路及多维度视角。

背景与动机:

物理信息的长期积累与深度学习方法的持续发展，都各自形成了较为完整的理论体系，因此，物理信息与深度学习方法的融合需要学科之间紧密地沟通。然而，目前大多将深度学习与物理信息相结合的研究均是由不同学科的研究人员在独立研究中开发的。为加速不同研究团体之间的思想交流，并推进物理引导深度学习方法的研究与应用，本文对该领域的主流设计思路进行了总结，并介绍了其在不同领域的应用及流行趋势，旨在为研究者提供一个全面的视角，能够了解物理引导深度学习的最新进展和技术前沿。

主要内容:

在物理引导深度学习框架的构造方法中，通常存在物理信息组合与物理信息融合两种模式（如图1）。物理信息组合将领域物理知识编码为物理引导项并从外部介入引导神经网络的计算过程，通常将物理引导项应用于深度学习模型的前端以构建物理引导的数据处理方法；应用于后端以构建输出优化方法；应用于优化阶段以构建损失函数。不同于物理信息组合的引入外部引导的方式，物理信息融合针对特定问题将领域物理知识与深度学习模型进行深度融合，构建融合框架以实现优势互补。常用的方法包括物理引导的结构设计、预训练任务设计与混合模型构建等。表1对本章中将要阐述物理引导深度学习相关方法的机制、优势、局限性、适用场景进行了归纳总结。旨在为读者提供物理引导深度学习领域的理论指导和实践指南，为进一步推动物理引导深度学习方法的发展和应用提供有益的参考。

图 1 物理引导深度学习框架构造方法

表1 物理引导深度学习方法归纳

结论:

本文全面总结了物理引导深度学习的方法论与研究进展，详尽介绍了信息融合与组合两大类方法，并分析了子方法的机制、特点、局限性及适用场景。此外，文章还重点讨论了这些方法在多学科领域的应用及其独特优势和有效性。尽管物理引导深度学习在实际使用中已展现出成效，但仍存在未解决的问题，展现出广阔的研究前景。未来可围绕这些未解决的问题进行多学科领域合作，以推动该领域的进一步发展。总体而言，物理引导的深度学习为深度学习领域带来了新的思路和挑战，同时也为跨学科知识融合提供了新的契机，有待多学科研究者进一步深入研究。

作者简介:

陈冲，副教授，博士生导师/硕士导师，主要研究方向为机器学习、信息融合、机器学习可解释等。