物理知识图学习
本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用,重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。
May, 2022
本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展,它以物理机制为前提,在模型结构、优化器、推断算法和特定领域的应用(如逆向工程设计和机器人控制)等方面将不同的物理先验形式编码成模型,随着跨领域的研究,增强模型精度,提高效率,并对相关学科领域解决长期存在的问题提供可贵帮助。
Nov, 2022
通过在强化学习过程中加入物理信息,物理信息的应用已经在许多领域引起了革命性变化。本研究通过综述现有文献,提出了物理信息应用于强化学习的新颖分类法,分析了现有方法的不同特点和关键见解,并通过对核心学习架构和物理融合偏差的识别,进一步对这些方法进行了分类,为更好地理解和应用提供了指导。这一新兴领域有望通过增加强化学习算法的物理合理性、精度、数据效率和在实际场景中的适用性来提升强化学习算法的能力。
Sep, 2023
南极冰盖和北极冰盖的大量流失导致海平面上升,海洋环流变化,从而导致沿海洪涝,并危及全球数千万人的家园和生计。为了解决冰川行为的复杂问题,文献中提出了物理模型和数据驱动模型。然而,传统的物理模型在产生高分辨率结果方面存在局限性;另一方面,数据驱动方法需要大量高质量且标记的数据,而这在极地地区很少见。因此,作为一种充分利用物理模型和数据驱动方法优势的有希望的框架,物理顺应机器学习(PIML)在近年来得到广泛研究。本文综述了现有的 PIML 算法,根据融合物理和数据驱动方法的方式提供了自己的分类,并分析了 PIML 在准确性和效率方面的优势。此外,我们的调研还讨论了一些当前的挑战和未来的机会,包括海冰研究中的 PIML、不同组合方法和骨干网络的 PIML 以及神经操作器方法。
Apr, 2024
机器学习在计算机视觉、自然语言处理和语音识别等各个领域中被证明是一种强大的工具,然而,结合深度学习和物理学原理的物理约束机器学习技术的应用在地下能源系统产业,特别是在石油和天然气行业中展现了巨大的潜力,能提供更准确可靠的资源管理和运营效率的预测。
Aug, 2023
该论文探讨了图数据分析中类不平衡的学习问题,并提出了结合图表示学习与类不平衡学习的解决方案 - 类不平衡图学习 (CILG),并介绍了现有工作的分类法和与不平衡学习文献的联系,同时还对 CILG 的最新工作进行了批判性分析和未来研究方向的讨论。
Apr, 2023
本文探讨了基于物理规律的计算机视觉任务的制定和方法,提出了计算机视觉流水线的分类系统,并分别研究了如何在每个阶段中引入基本物理规律和控制方程,在计算机视觉领域中的应用前景是制定更好的计算机视觉模型以提高物理可行性、准确性、数据效率和泛化能力。
May, 2023
图结构数据是从社交网络到生化分析等领域广泛存在的,它们为不同实际系统提供了基础。而图神经网络在建模这种类型的数据时具有很高的成功率,但通常依赖于大量标记数据,这在实际场景中具有有限的注释资源时带来挑战。为了解决这个问题,我们在低资源环境下增强图机器学习性能进行了巨大努力,探索了各种最小监督方法。本文首次介绍了数据高效图学习 (DEGL) 的新概念作为研究前沿,并总结了当前 DEGL 进展的首份综述。我们首先强调了在使用大量标记数据训练模型时固有的挑战,为我们对 DEGL 的探索铺平道路。接着,我们系统地回顾了最近在这个主题上的一些关键进展,包括自监督图学习、半监督图学习和小样本图学习。我们还提出了未来研究的有望方向,为图机器学习的发展作出了贡献。
Feb, 2024
本文介绍了一种基于物理学知识的 deep learning 模型 ——PID-GAN,可以在深度学习中实现不确定性量化,同时可以在基于物理的 PDEs 和不完美物理问题等方面取得良好效果。
Jun, 2021