Physics-informed machine learning

Machine-learning-modellen die bekende natuurkundige wetten rechtstreeks in training opnemen, in plaats van puur uit data te leren.

Definitie

Physics-informed machine learning neemt bekende natuurkundige wetten of beperkingen, zoals sturende differentiaalvergelijkingen, rechtstreeks op in het trainingsproces van een machine-learning-model, in plaats van puur te vertrouwen op patronen in data. Dit kan de nauwkeurigheid en generalisatie van een model verbeteren, vooral wanneer trainingsdata beperkt is, aangezien het model beperkt wordt tot bekende natuurkunde in plaats van vrij elk patroon in de data alleen te fitten.

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 zou dit van toepassing kunnen zijn in de productie?

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

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.