机器学习嵌入物理知识成为「时尚」，MIT讲师解读Nature子刊综述论文

伴随着人工智能的飞速发展，以神经网络为代表的深度学习宛如饥饿的猛兽，无论你喂多少的数据给它，它都不嫌多。但在现实中，有很多数据存在着丢失、不完整。再者，虽然神经网络可以实现很高的精度，但是它们不能为我们总结底层的原理。难道我们真的要丢掉无数学者总结出的知识，完全依靠数据来推动发展吗？

不久之前，发表在 Nature Review Physics 杂志上的一篇综述论文「Physics-informed machine learning」提出了「教机器学习物理知识以解决物理问题」的观点。该论文回顾了将物理知识嵌入机器学习的流行趋势，介绍了当前的能力和局限性，并讨论了这类机器学习在发现和解决物理中各种正向、逆向问题中的应用。

这篇论文虽然只阐述了如何往机器学习中引入物理知识，但与此同时，所提出的方法论适用于所有的基础科学学科。这是一篇很好的示范，多个领域都可以通过相似的方式将先验知识引入机器学习，来更好地解决自己领域的问题，让机器学习成为一种实用的工具。

• 论文链接：https://doi.org/10.1038/s42254-021-00314-5
• ScienceAI报道：解决物理难题，机器学习嵌入物理知识成为「时尚」

8月11日中午12:00-13:00，我们邀请到本篇论文作者麻省理工学院数学系讲师陆路带来线上分享，详细解读本篇论文。

分享主题：内嵌物理的深度学习

分享摘要：尽管传统的数值方法在求解偏微分方程 (PDE) 上已经取得了很大进展，但目前仍然存在一些局限，比如无法将额外的数据信息无缝地融合到数值算法中、复杂网格仍然难以方便地生成、难以求解高维的PDE。此外，对于PDE反问题的求解，算法实现复杂，计算量大，精度也有待提高。

机器学习是一种很有前景的替代方法，但是深度神经网络的训练往往需要大量数据；而在很多科学问题中，数据却难以获得。我们可以将物理知识（比如物理定律，PDE，或者简化的数学模型）嵌入神经网络，从而设计出更好的机器学习模型。这些模型可以自动满足一些物理不变量，可以被更快地训练，达到更好的准确性。

本次分享将回顾将物理知识嵌入机器学习的一些趋势，介绍当前的一些常用方法，包括内嵌物理的神经网络 (physics-informed neural networks, PINNs)、多保真度神经网络(multi-fidelity neural networks)和深度算子网络 (DeepONet)，同时还将讨论这些方法在求解物理和工程问题上的一些应用，特别是在反问题求解上的应用。

分享嘉宾：陆路，麻省理工学院数学系讲师（即将入职宾夕法尼亚大学化学和生物分子工程系担任助理教授）。他具有多个学科的研究经历，包括应用数学、物理和计算生物学。他目前的研究集中于嵌入物理的深度学习以及其在工程、物理和生物问题中的应用。陆路于2020年博士毕业于布朗大学（应用数学博士学位，工程、应用数学和计算机科学三个硕士学位），于2013年本科毕业于清华大学（热能和经济学双学位、计算机辅修）。 

陆路正在组建新的研究团队，招生博士研究生，详见主页上的招聘信息：https://lululxvi.github.io/

分享时间：8月11日12:00-13:00

直播间：https://jmq.h5.xeknow.com/s/Isna8（点击阅读原文直达）

直播交流群：针对本次分享主题，欢迎大家进群一起交流。

如群已超出人数限制，请添加其他小助手：syncedai2、syncedai3、syncedai4 或 syncedai5，备注「物理」即可加入。

点击阅读原文，收藏直播间。