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

物理知识融入数据驱动学习的方法（PIML 技术）在条件监控领域有广泛应用，提高精确度和解释性，可用于增强维护策略、系统可靠性和工程系统整体运行效率。

Jan, 2024

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

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

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

本篇综述研究物理增强的机器学习 (PEML) - 也被称为科学机器学习 - 特别关注开发用于解决动力系统挑战的 PEML 策略，讨论了 PEML 方法的三个广泛分类 (物理指导、物理编码和物理信息) 以及在涉及复杂动力系统的工程应用中开发 PEML 策略用于指导高风险决策的优势和挑战。

May, 2024

利用物理知情机器学习（PIML）领域开发模型来预测航空发动机的剩余寿命，采用 C-MAPSS 数据集，使用随机方法估计 C-MAPSS 数据的物理模型并将其应用于 LSTM 模型，结果表明 PIML 方法在这个问题上表现优异，同时该框架灵活性高，适用于其他情况。

Jun, 2024

该研究介绍了一种物理信息驱动的机器学习（PIML）模型，将概念性水文模型的过程理解与机器学习算法的预测效能相结合，在安纳达普尔亚分水汇中应用，表明该模型在预测月流量和实际蒸散发方面的性能优于独立的概念模型和机器学习算法，确保输出的物理一致性。

Feb, 2024

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

该论文提出了一种新的物理信息机器学习 (PIML) 模拟移动载荷前向和反向问题的方法，通过利用物理信息神经网络 (PINNs) 来解决动载荷问题，并使用高斯函数替代 Dirac delta 函数，用于预测梁的弯曲和载荷量，仿真结果表明 PIML 是解决该问题的有效方法。

Apr, 2023