Physics-informed machine learning

Algoritmes en wiskundige modellen die bekende natuurkundige wetten inbouwen in hoe ze leren en voorspellen, in plaats van puur uit data te leren.

Definitie

Physics-informed machine learning is een klasse van algoritmes en wiskundige modellen die bekende natuurkundige wetten of beperkingen, zoals sturende differentiaalvergelijkingen, rechtstreeks inbouwen in hoe het model leert en voorspelt, in plaats van te vertrouwen op datapatronen alleen. Dit kan nauwkeurigheid en generalisatie verbeteren, vooral wanneer trainingsdata beperkt is, aangezien het model beperkt wordt tot bekende natuurkunde in plaats van vrij elk patroon in de data te fitten. Sommige teksten noemen dit physics AI als bredere categorienaam, om het te onderscheiden van physical AI (embodied AI in robots en autonome machines). De twee klinken hetzelfde; ze beschrijven fundamenteel verschillende dingen. Deze pagina behandelt physics-informed machine learning specifiek, één van de canonieke benaderingen binnen physics AI.

Waarom physics-informed benaderingen minder trainingsdata nodig kunnen hebben

Physics-informed benaderingen kunnen goed presteren met minder trainingsdata dan een puur datagedreven model, aangezien natuurkundige beperkingen de ruimte van oplossingen verkleinen die het model moet doorzoeken, wat ertoe doet in productiecontexten waar uitgebreide gelabelde data mogelijk niet beschikbaar is.

Waar physics-informed machine learning van toepassing is

Niet op de tekening; dit is een modelleringstechniek gebruikt binnen engineering- en productiesoftware, niet iets gespecificeerd door de eisen van een onderdeel.

Veelgemaakte fouten

Aannemen dat physics-informed methoden de noodzaak van trainingsdata volledig elimineren; ze vereisen nog steeds data, maar nemen natuurkundige beperkingen op om beter gebruik te maken van de beschikbare data, vooral wanneer die beperkt is.

Wat het betekent voor uw calculatie

Physics-informed benaderingen kunnen goed presteren met minder trainingsdata dan een puur datagedreven model, aangezien natuurkundige beperkingen de ruimte van oplossingen verkleinen die het model moet doorzoeken, wat ertoe doet in productiecontexten waar uitgebreide gelabelde data mogelijk niet beschikbaar is.

Lees het onderzoek

Veelgestelde vragen

Heeft physics-informed machine learning minder data nodig dan standaard ML?

Vaak wel, aangezien het opnemen van bekende natuurkunde de ruimte van mogelijke oplossingen verkleint die het model puur uit data moet leren.

Is dit hetzelfde als een natuurkundige simulatie?

Nee, het is een hybride benadering: een machine-learning-model getraind met natuurkundige beperkingen, geen volledige traditionele natuurkundige simulatie op zichzelf.

Waar is dit van toepassing in de productie?

Bij het modelleren van processen die door bekende natuurkundige relaties worden bepaald, zoals snijmechanica, warmteoverdracht of materiaalvervorming, waar puur datagedreven modellen kunnen worstelen met beperkte data.

Is dit hetzelfde als physics AI?

Physics AI is een bredere categorienaam; physics-informed machine learning (deze pagina) is één canonieke benadering daarbinnen. Het contrast is met physical AI: embodied AI in robots en autonome machines.

Hoe verhoudt dit zich tot physical AI?

Het is een aparte categorie. Physics-informed machine learning gaat over hoe een model redeneert, met natuurkundige wetten ingebouwd in het algoritme. Physical AI (embodied AI in robots en autonome voertuigen) is iets anders; zie /nl/begrippen/physical-ai.

Noten en bronnen

  1. Raissi, M., Perdikaris, P. & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707. https://doi.org/10.1016/j.jcp.2018.10.045 Het fundamentele artikel dat physics-informed neural networks (PINNs) introduceert, hier gebruikt als onderbouwing van deze definitie.