探讨物理增强机器学习的谱系;结构力学应用综述
机器学习
2024-04-23 v3
摘要
物理学与机器学习的融合催生了物理增强机器学习(PEML)范式,旨在提升能力并弥补纯数据或纯物理方法的各自缺陷。本文通过沿物理与数据两个定义轴对 PEML 方法进行表达,并全面探究其特性、用途与动机,讨论了物理增强机器学习方法的谱系。在此过程中,我们综述了 PEML 技术的近期应用与发展,揭示了 PEML 在应对复杂挑战中的效力。我们进一步在单自由度 Duffing 振子的简单工作示例上演示了若干此类方案的应用,从而凸显不同“流派”的 PEML 方法的各自特性与动机。为促进协作与透明,并为读者提供实用示例,生成这些工作示例的代码随本文一并给出。作为基础性贡献,本文强调了 PEML 在物理洞见与机器学习能力协同下拓展科学与工程研究边界的重要意义。
关键词
引用
@article{arxiv.2310.20425,
title = {Discussing the Spectrum of Physics-Enhanced Machine Learning; a Survey on Structural Mechanics Applications},
author = {Marcus Haywood-Alexander and Wei Liu and Kiran Bacsa and Zhilu Lai and Eleni Chatzi},
journal= {arXiv preprint arXiv:2310.20425},
year = {2024}
}