通过物理引导深度学习介绍从数据中学习动态系统。相关研究成果已于2024年6月24日在国际知名学术期刊《美国科学院院刊》上发表。

　　据悉，复杂物理动力学建模是科学和工程中的一项基本任务。传统的基于物理的模型是第一性原则的★◆■、可解释的、样本高效的◆■。然而，它们通常依赖于强大的建模假设和昂贵的数值积分，需要大量的计算资源和领域专业知识。虽然深度学习(DL)为复杂动态建模提供了有效的替代方案，但它们需要大量标记的训练数据。

　　该研究团队介绍了物理引导下的深度学习框架，特别强调学习动态系统。研究人员描述了学习管道，并在此框架下对最先进的方法进行了分类。研究人员还就公开的挑战和新出现的机遇提出了自己的观点。

　　此外★◆★■，它的预测可能不符合主导的物理定律★★■◆◆，难以解释。物理引导的深度学习旨在将第一性物理知识整合到数据驱动的方法中。它拥有两全其美的优势■■◆，并且有能力更好地解决科学问题。最近★■■★，这一领域取得了很大的进展，并引起了跨学科的极大兴趣。