物理信息机器学习

导读

物理信息机器学习（Physics-Informed Machine Learning）是在数据建模过程中融入物理知识——既可以用于发现新物理规律，也可以将已知物理嵌入学习流程。本文将聚焦该流程的第三阶段：架构设计，探讨如何通过选择合适的架构，让模型更物理、更高效、更可解释。

什么是"物理"？

三大核心特征

1 · 可解释性与泛化性
从 F=ma 到 E=mc²，经典物理规律通常简洁且具有广泛适用性——描述苹果下落的规律同样适用于发射火箭。物理规律是可解释且可泛化的。

2 · 简约性（Parsimony）
"用尽可能简单的模型描述数据，但不能更简单。"从亚里士多德到爱因斯坦，简单性一直是物理学的黄金标准。简约的模型通常更可解释，也因避免过拟合而具有更好的泛化能力。

3 · 对称性与守恒律
质量守恒、动量守恒、能量守恒——几乎所有的偏微分方程都源于某种守恒量。对称性、不变性和守恒律是物理学的基石，也是可以嵌入机器学习的核心先验。

"

一切事物都应被尽可能地简化，用以描述数据——但不能更简单。

—— 爱因斯坦

架构的本质

机器学习的核心是构建函数 y = f(x) —— 模型的输入 x 通过某个函数 f 映射到输出 y。而架构（Architecture）决定了函数 f 的搜索空间。

                        关键理解：函数空间往往是无穷维的。架构的作用就是对可能函数的空间施加约束——不同的架构隐含着不同的物理假设。选择了一个架构，就选择了一类可描述的物理行为。
                    

架构实例速览

自编码器（Autoencoder）

通过信息瓶颈压缩高维数据到低维空间。适用于低维动力学的物理系统。例如：从百万像素的视频提取单一摆角 θ 与角速度 θ̇ 来描述单摆运动。

低维假设信息压缩坐标学习

SINDy（稀疏动力学识别）

不是神经网络，而是广义线性回归，从数据中直接学习微分方程。构建候选函数库，通过稀疏优化找到最简洁的动力学描述。完美体现简约性原则。

稀疏回归方程发现可解释性

雷诺应力网络（Ling et al.）

利用定制张量输入层构建深度神经网络，预测湍流中的雷诺应力。其架构设计天然保证伽利略不变性——在任何惯性参考系下物理规律不变——无需额外约束即可满足。这是通过架构嵌入物理的典范。

伽利略不变湍流建模张量层

残差网络（ResNet）

通过跳跃/跳连结构让信息跨越层传递，近似欧拉积分方案。这种架构天然适合时间演化系统与动力学数据的建模，推动了2015年后深度学习的大发展。

跳连结构时间步进深层网络

U-Net 架构

具备编码-解码路径和跳跃连接，隐式假设世界的空间结构具有多尺度特性。在超分辨率、图像分割、扩散模型中表现卓越，非常适用于自然图像与真实世界场景。

多尺度假设图像分割扩散模型

物理信息神经网络（PINNs）

利用神经网络自动微分能力，将偏微分方程残差加入损失函数，强制模型满足物理定律。可预测流场、温度场、压力场等时空演化场。架构 + 损失函数的组合拳。

自动微分 PDE约束正反问题

拉格朗日/哈密顿神经网络

将已知的力学结构（能量守恒、相空间演化）同时嵌入架构与损失函数，保证模型遵守能量守恒等基本物理规律。极具潜力的前沿方向。

能量守恒相空间物理约束

傅立叶神经算子（FNO）

通过傅立叶层在频域中进行运算，天然适配物理世界的多尺度特性。非常适合求解偏微分方程和算子学习任务。

频域建模 PDE求解多尺度

图神经网络（GNN）

通过图结构编码学习实体之间的局部物理交互规律。适用于分子动力学、刚体系统、流体模拟等多体问题。局部物理规律相似是核心假设。

多体系统局部交互通用模拟

对称性 · 等变性 · 不变性

不变性（Invariance）
如果输入 x 经过在变换 g 后（如旋转、平移），模型的输出不变：旋转30°的猫图片，依然分类为"猫"。基于物理知识，我们认为系统具有某种对称性。

等变性（Equivariance）
如果输入经过变换 g，模型的输出也经历同样的变换：输入旋转的图片，输出的分割标注也跟着旋转。数学上，函数 f 与变换 g 可交换（f∘g = g∘f）。

                        重要优势：如果架构天然满足等变性，就无需通过大量数据增强来学习旋转不变性，数据需求大幅降低，同时泛化能力显著提升。
                    

代表研究者：Max Welling、Tess Smidt 等。

关键金句

"架构定义了我们搜索的函数空间——而我们在日复一日地使用它。"

— 引言·史蒂夫·布伦顿

行动建议

如何设计与选择架构？

明确物理先验：你的系统是低维的？稀疏的？多尺度的？还是对称的？先列出现有的物理知识。
选择匹配架构：低维 → 自编码器；稀疏 → SINDy；多尺度 → U-Net/FNO；多体 → GNN；守恒 → 拉格朗日/哈密顿网络。
将对称性嵌入架构：优先选择天然满足等变性的架构，而不是依赖数据增强来"学习"对称性。
架构与损失函数协同：架构定义搜索空间，损失函数在空间中找最优解——两者要配套设计。
宁简勿繁：从简约模型出发，避免过拟合，提升泛化能力。

阶段总结

设计架构是物理信息机器学习的核心环节。无论是可解释性、泛化性、简约性还是对称性，都可以通过架构选择系统性地嵌入机器学习模型。理解架构=约束函数空间，是驾驭这一领域的关键认知。

下一阶段将谈损失函数与最优化——架构定义空间，损失函数负责寻优，两者密不可分。

物理信息机器学习 · 架构设计