ترجمه فارسی مقاله یادگیری ماشین با دانش فیزیک برای پیش بینی: یک نظرسنجی

چکیده

This survey examines the broad suite of methods and models for combining machine learning with physics knowledge for prediction and forecast, with a focus on partial differential equations. These methods have attracted significant interest due to their potential impact on advancing scientific research and industrial practices by improving predictive models with small- or large-scale datasets and expressive predictive models with useful inductive biases. The survey has two parts. The first considers incorporating physics knowledge on an architectural level through objective functions, structured predictive models, and data augmentation. The second considers data as physics knowledge, which motivates looking at multi-task, meta, and contextual learning as an alternative approach to incorporating physics knowledge in a data-driven fashion. Finally, we also provide an industrial perspective on the application of these methods and a survey of the open-source ecosystem for physics-informed machine learning.

چکیده به فارسی (ترجمه ماشینی)

این بررسی مجموعه گسترده ای از روش ها و مدل ها برای ترکیب یادگیری ماشین با دانش فیزیک برای پیش بینی و پیش بینی ، با تمرکز بر معادلات دیفرانسیل جزئی بررسی شده است.این روشها به دلیل تأثیر احتمالی آنها در پیشبرد تحقیقات علمی و شیوه های صنعتی با بهبود مدل های پیش بینی کننده با مجموعه داده های در مقیاس کوچک یا بزرگ و مدل های پیش بینی کننده بیان با تعصبات القایی مفید ، مورد توجه قابل توجهی قرار گرفته است.این نظرسنجی دارای دو بخش است.اولی شامل دانش فیزیک در سطح معماری از طریق توابع عینی ، مدل های پیش بینی ساختاری و تقویت داده ها است.دوم داده ها را به عنوان دانش فیزیک می داند ، که باعث می شود به دنبال یادگیری چند وظیفه ، متا و یادگیری متنی به عنوان یک روش جایگزین برای ترکیب دانش فیزیک به روشی مبتنی بر داده باشد.سرانجام ، ما همچنین یک دیدگاه صنعتی در مورد کاربرد این روش ها و بررسی اکوسیستم منبع باز برای یادگیری ماشین آگاهی از فیزیک ارائه می دهیم.