物理信息机器学习 · 课程精华笔记

物理信息机器学习

融合物理规律与数据驱动，重塑科学发现与工程应用的核心方法论。

👤 讲师：Steve Brennan · 华盛顿大学
📖 系列：物理信息机器学习专题

📌 本讲导读

这是物理信息机器学习系列讲座的第一节概览课。核心思路：在传统机器学习流程中系统性注入物理知识，同时借助数据发现人类尚未写下的新物理规律。

⚡ 两大核心主题

方向一

将物理“嵌入”模型

把已知或部分已知的物理规律——对称性、守恒律、不变性等——融入机器学习，以更少数据训练出泛化能力更强的模型。

方向二

用模型“发现”新物理

利用测量数据和计算方法，发现复杂系统中人类尚未能写出的新方程（如偏微分方程），突破经典方法的局限。

🔄 机器学习五阶段 × 物理嵌入

定义问题

明确输入、输出和要建立的映射关系。求解涉及物理系统时，问题本身已蕴含物理——例如学习摆锤受力模型，就内置了 f=ma。

收集与整理数据

数据来自物理系统本身就是一种物理嵌入。常用方法：
· 数据增强：利用旋转、平移对称性扩充样本
· 坐标选择：太阳中心坐标系远优于地心系

💡 坐标系的选取对物理学习的影响极为显著，往往决定模型能否“看清”规律。

设计架构

选择能表征输入输出关系的函数类（如神经网络）。通过架构本身嵌入物理“归纳偏置”：
· 拉格朗日神经网络 → 保证能量守恒
· 自编码器+稀疏模型 → 促进简约表征
· 伽利略变换不变网络 → 湍流闭环模型

设计损失函数

把物理规律写作正则项加入损失函数。最著名案例——物理信息神经网络 (PINN)：将偏微分方程残差作为额外损失项，与数据误差共同优化。

基于数据量相同的条件下，加入物理损失可显著提高预测准确性与泛化能力。

优化与训练

通过优化算法调节参数以最小化损失函数。可以进一步将物理约束“严格化”：
· 约束最小二乘
· 拉格朗日乘子法
· 在优化中精确强加能量守恒、对称约束

🔑 反复出现的关键概念

✨ 对称性 ⚖️ 守恒定律 🔄 不变性 🌿 简约性 📐 坐标系统

对称性是物理世界的底层结构，从流体到量子系统无处不在；而简约性——用最简洁的模型描述数据——被验证为贯穿科学史（从亚里士多德到爱因斯坦）的重要准则。

❝ 金句摘录

“

机器学习领域的研究者常常忘记了，我们拥有数百年的物理学积淀。大量物理系统运作方式的知识被我们抛弃了。

—— Steve Brennan

“

从“炼金术”走向“化学”——借助物理系统认识机器学习原理，让模型设计有原则可循，而非靠试错和直觉。

—— 课程理念

🚀 应用方向一览

✈️

飞行器设计

🌪️

流体与湍流

🧪

新材料开发

🤖

机器人/自动化

🌍

气候科学

💊

药物发现

🔧

数字孪生

🧬

蛋白质折叠

⚡

风能优化

🔄 数字孪生：物理+数据的交汇

数字孪生是物理系统（如飞机、工厂、材料工艺）的“活体模型”——它随新数据实时更新，提供不确定性估计，并指导设计优化的下一步方向。物理信息机器学习是构建可靠数字孪生的关键技术。

        💡 一个物理可信的数字孪生，必须从底层把物理规律 baked-in。
      

📌 行动建议

学习并应用 物理信息神经网络 (PINN)，将其作为入门的核心工具。
关注架构中的归纳偏置：对称性、守恒性是最常利用的两类物理知识。
建立基准测试集：对物理系统进行模型验证时，优先选择已知答案的benchmark。
尝试从数据中提取符号方程，探索“数据→规律”的发现路径。
参考教材：Data-Driven Science and Engineering（Kutz & Brunton，免费PDF下载）。

📚 相关资源

📕 教科书：数据驱动的科学与工程（Nathan Kutz & Steve Brennan，免费PDF开放获取）

🏛️ NSF资助的人工智能研究所（动态系统方向）——专注物理嵌入与物理发现

🎯 总结

物理信息机器学习的核心二元性：“把已知物理嵌入模型”与“用模型发掘新物理”。五个机器学习阶段各有嵌入方式，最终要走向更科学、更有原则的模型设计——从“炼金术”到“化学”。

这不仅仅是一种技术，而是将改变工程、科学、医学、气候等领域的新基础设施。