中文題目：物理引導的深度學習研究綜述：進展、挑戰和展望

論文題目：物理引導的深度學習研究綜述：進展、挑戰和展望

錄用期刊/會議：計算機科學與探索 (CCF中文B類)

作者列表：

1） 陳   沖 中國石油大學（北京）人工智能學院 電子系教師

2） 朱嘯宇 中國石油大學（北京）人工智能學院 新一代電子信息技術專業 碩 21

3） 王   芳 中國石油大學（北京）人工智能學院 信息與通信工程專業 碩 22

4） 許雅倩 中國石油大學（北京）人工智能學院 新一代電子信息技術專業 碩 19

5） 張   偉 中國科學院西北生態環境資源研究院冰凍圈科學與凍土工程重點實驗室可可托海站 副研究員

摘要:

盡管深度學習在處理非線性高維問題時展現出強大的能力，但在復雜科學與工程問題中仍面臨諸多挑戰，如高昂的計算成本、大量的數據需求、難以解釋的黑盒特性，以及缺乏對物理規律的建模能力.為此，近年來涌現了一種新的框架——物理引導深度學習，通過將領域內的物理知識融入深度學習模型的構建和訓練過程中，旨在增強模型的性能、可解釋性及其物理一致性。本文對國內外關于物理引導深度學習的相關工作進行了全面梳理與分析。首先，介紹了物理引導深度學習框架的主要動機與理論基礎。其次，對物理信息組合與物理信息融合兩種模式進行了詳細討論，總結了各方法的特點、局限性與應用場景。最后，分析了物理引導深度學習在多領域應用中的表現，并從計算復雜性與優化收斂問題、控制方程偏離問題、觀測數據依賴問題與知識融合困難問題四個方面探討了該框架目前面臨的挑戰，并基于此展望該領域未來的發展方向，為未來研究者提供了借鑒思路及多維度視角。

背景與動機:

物理信息的長期積累與深度學習方法的持續發展，都各自形成了較為完整的理論體系，因此，物理信息與深度學習方法的融合需要學科之間緊密地溝通。然而，目前大多將深度學習與物理信息相結合的研究均是由不同學科的研究人員在獨立研究中開發的。為加速不同研究團體之間的思想交流，并推進物理引導深度學習方法的研究與應用，本文對該領域的主流設計思路進行了總結，并介紹了其在不同領域的應用及流行趨勢，旨在為研究者提供一個全面的視角，能夠了解物理引導深度學習的最新進展和技術前沿。

主要內容:

在物理引導深度學習框架的構造方法中，通常存在物理信息組合與物理信息融合兩種模式（如圖1）。物理信息組合將領域物理知識編碼為物理引導項并從外部介入引導神經網絡的計算過程，通常將物理引導項應用于深度學習模型的前端以構建物理引導的數據處理方法；應用于后端以構建輸出優化方法；應用于優化階段以構建損失函數。不同于物理信息組合的引入外部引導的方式，物理信息融合針對特定問題將領域物理知識與深度學習模型進行深度融合，構建融合框架以實現優勢互補。常用的方法包括物理引導的結構設計、預訓練任務設計與混合模型構建等。表1對本章中將要闡述物理引導深度學習相關方法的機制、優勢、局限性、適用場景進行了歸納總結。旨在為讀者提供物理引導深度學習領域的理論指導和實踐指南，為進一步推動物理引導深度學習方法的發展和應用提供有益的參考。

圖 1 物理引導深度學習框架構造方法

表1 物理引導深度學習方法歸納

結論:

本文全面總結了物理引導深度學習的方法論與研究進展，詳盡介紹了信息融合與組合兩大類方法，并分析了子方法的機制、特點、局限性及適用場景。此外，文章還重點討論了這些方法在多學科領域的應用及其獨特優勢和有效性。盡管物理引導深度學習在實際使用中已展現出成效，但仍存在未解決的問題，展現出廣闊的研究前景。未來可圍繞這些未解決的問題進行多學科領域合作，以推動該領域的進一步發展?？傮w而言，物理引導的深度學習為深度學習領域帶來了新的思路和挑戰，同時也為跨學科知識融合提供了新的契機，有待多學科研究者進一步深入研究。

作者簡介:

陳沖，副教授，博士生導師/碩士導師，主要研究方向為機器學習、信息融合、機器學習可解釋等。