1. 问题及动机
尽管使用偏微分方程的数值离散化来模拟多物理问题取得了很大进展,但目前仍存在几方面的问题:
-
不能将噪声数据无缝的融入到已有算法中;
-
网格生成仍然很复杂;
-
由参数化偏微分方程控制的高维问题无法解决;
-
求解隐含物理的逆问题代价昂贵,通常需要不同的公式和复杂的代码。
机器学习方法在一定程度上可以解决上述问题,但是训练深度神经网络需要大量的数据,对于某些科学和工程问题,大量的数据意味着高昂的成本,在实际使用中并不具有有效性。
如何基于受限于成本的小样本数据,发展有效的机器学习方法,正是嵌入物理信息的机器学习方法可以大展身手的地方。
下图展示了数据和物理场景,
大多数情况下数据越多,其中的物理信息越难提取,这种情况下由于缺乏对物理机制的理解,只能采用一些黑箱方法建模