本文讨论了物理增强机器学习（PEML）的特点、用途和动机，并通过对 PEML 技术的最近应用和发展的全面探索，展示了 PEML 在解决复杂挑战中的潜力。通过对单自由度 Duffing 振子的简单工作示例的应用，突出了不同 PEML 方法的个体特征和动机。提供这些工作示例的代码，以促进合作和透明度，并为读者提供实用的示例。作为基础性贡献，本文强调了物理洞察力和机器学习能力的协同作用，在推动科学和工程研究的边界上的重要性。

Oct, 2023

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

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

本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

Mar, 2020

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

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

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

本文概述了将先验物理知识或基于物理建模方法与深度学习相结合的现有方法，并重点讨论了在学习动力系统方面所面对的基本挑战和新兴机遇。

Jul, 2021

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