物理约束机器学习在化学工程中的应用
机器学习
2025-08-29 v1 系统与控制
系统与控制
摘要
物理约束机器学习（Physics-Constrained Machine Learning，PCML）将物理模型与数据驱动方法结合，以提高可靠性、可泛化性和可解释性。尽管PCML在众多科学和工程领域已展现出显著优势，但技术和智力挑战仍阻碍其在复杂化学工程应用中的普适。关键难点包括如何确定需嵌入的物理知识的数量和类型、如何设计有效的与机器学习融合的策略、如何将模型扩展至大规模数据集和仿真器，以及如何量化预测不确定性。本综述总结了近期的研究进展，阐述了将PCML应用于化学工程中的挑战与机遇，特别强调了闭环实验设计、实时动力学与控制，以及多尺度现象的处理。
引用
@article{arxiv.2508.20649,
title = {Physics-Constrained Machine Learning for Chemical Engineering},
author = {Angan Mukherjee and Victor M. Zavala},
journal= {arXiv preprint arXiv:2508.20649},
year = {2025}
}