准确的水文认识和水循环预测对于解决水资源管理中的科学和社会挑战至关重要，特别是在人为气候变化的动态影响下。我们介绍了物理感知机器学习作为一种改变性方法，旨在克服水文学和机器学习的观念障碍，并革命化这两个领域。通过综述物理感知机器学习方法，我们建立了一个结构化的方法库，将先前的物理知识或基于物理建模的方法融合到机器学习中。我们首先对水文学中的物理感知机器学习进行了系统回顾，包括降雨径流模型和水动力学过程，并突出了不同目标和物理感知机器学习方法的最有前景和具有挑战性的方向。最后，我们发布了一个基于物理感知机器学习的水文学平台，称为 HydroPML，作为水文学应用的基础。HydroPML 增强了机器学习的可解释性和因果关系，并为数字水循环的实现奠定了基础。

Oct, 2023

本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

Dec, 2020

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

本文概述了物理相关机器学习在动态系统建模和控制方面的最新进展、基本概念和方法、工具及应用。

Jun, 2023

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

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

本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

Jan, 2020

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