这篇题为《Physics-informed machine learning》的文档，发表于2021年的期刊 Nature Reviews Physics 上，是由来自布朗大学、约翰斯·霍普金斯大学、麻省理工学院和宾夕法尼亚大学的多位研究者（George Em Karniadakis, Ioannis G. Kevrekidis, Lu Lu, Paris Perdikaris, Sifan Wang, Liu Yang）共同撰写的综述论文。该论文的主题是系统地回顾和阐述“物理信息机器学习”这一新兴交叉领域的兴起背景、核心方法、应用成果、当前局限及未来展望。

一、 论文核心论点：整合物理与数据是应对复杂系统建模挑战的关键

文章开篇即指出，对多物理场、多尺度系统的动力学进行建模和预测仍是一个悬而未决的科学难题。传统的基于偏微分方程（Partial Differential Equations， PDEs）的数值方法（如有限差分、有限元）面临着诸多严峻挑战：处理“瀑布式”尺度级联的非线性系统成本高昂、不确定性来源多；解决反问题（如推断材料属性、发现缺失物理）通常极其昂贵且需要复杂的新算法和代码；对于边界条件缺失、不完整或嘈杂的实际问题，传统方法往往无能为力。与此同时，随着传感器技术的爆炸式发展，我们正处于一个观测数据的“黄金时代”，数据量（体量）、产生速度（速率）和种类（多样性）空前。然而，将这些多保真度（multi-fidelity）的数据无缝整合到现有物理模型中仍非易事。

因此，论文的核心论点在于：机器学习（Machine Learning, ML），特别是深度学习，为解决上述困境提供了强大的新范式。但纯粹的、数据驱动的ML模型可能在物理上不一致或不可信，特别是在数据稀缺或需要进行外推时。因此，将物理定律作为先验知识“嵌入”或“告知”机器学习模型，形成“物理信息机器学习”（Physics-informed machine learning），是构建更鲁棒、更可解释、且能实现强泛化能力预测模型的关键路径。 这种融合旨在无缝集成（嘈杂的）数据和数学模型，并通过神经网络或其他基于核的回归网络来实现。

二、 将物理“嵌入”机器学习的三大路径

论文详细阐述了将物理知识整合进机器学习模型的三种主要途径，这三种方式可单独或组合使用。

1. 观测偏差： 这是最直接的方式，即利用本身蕴含物理规律的观测数据来训练模型。如果数据量足够大且能覆盖输入域，ML模型（如某些神经网络）可以学习到反映数据物理结构的函数、向量场或算子。然而，对于许多物理和工程问题，获取高质量、高保真度的实验或模拟数据成本极其高昂，这构成了该方法的主要限制。

2. 归纳偏差： 这种方式通过精心设计专门的神经网络架构，将先验知识和归纳偏差隐式地嵌入其中，从而保证模型的预测结果天然满足特定的物理定律或数学约束。最著名的例子是卷积神经网络，它通过设计尊重了自然图像中的平移不变性。其他例子包括： * 图神经网络（Graph Neural Networks, GNNs）： 适用于处理图结构数据，如分子系统。 * 等变网络（Equivariant networks）： 能够处理预定义的连续变换群（如旋转、反射），提升模型的鲁棒性。 * 协变神经网络（Covariant neural networks）： 专门设计来符合许多体系（如分子）中存在的旋转和平移不变性。 * 特定PDE启发的架构： 例如，论文中展示了一种受Hamilton-Jacobi PDE的Lax-Oleinik公式启发的网络架构，其结构本身就编码了特定类型PDE的物理。 这种方式是最具原则性的，因为它能严格保证物理约束被满足，但其适用性通常局限于物理规律或对称性相对简单且已知的场景，实现也往往更复杂。

3. 学习偏差： 与前两种方式不同，这种方法不改变模型架构，而是通过修改损失函数，以“软惩罚”的方式将物理约束引入学习过程。这可以看作是多任务学习的一个特例：模型同时被约束去拟合观测数据，并使其预测近似满足给定的物理方程（如PDE残差、质量守恒等）。最具代表性的框架就是物理信息神经网络（Physics-informed neural networks, PINNs）。 * PINNs的工作原理（论文Box 3详解）： PINNs使用一个神经网络作为PDE解的代理模型。其损失函数通常由两部分组成：一部分是“数据损失”，衡量网络输出在初始/边界条件点或某些测量点上与真实数据的匹配程度；另一部分是“物理损失”，衡量网络输出在定义域内一系列“残差点”上是否满足控制PDE（通过自动微分计算导数）。通过优化这个组合损失，网络被训练出同时符合观测数据和底层物理规律的解。 * 优势与灵活性： 这种方法的优势在于其极大的灵活性。它可以处理各种类型的PDE（整数阶、随机、分数阶）、不完整的物理模型（部分项未知）、嘈杂或不完整的数据，并且是网格无关的，易于处理复杂几何和移动边界问题。其实现也相对简单，可以基于现有的深度学习框架（如TensorFlow, PyTorch）。

三、 物理信息机器学习的优势与能力

论文通过大量文献综述和实例，总结了物理信息机器学习，特别是PINNs框架，所展现出的独特能力和优势：

1. 处理不完整模型与不完美数据： PINNs非常擅长解决反问题和不适定问题。例如，在仅知道部分物理定律（如守恒律形式已知，但本构关系未知）并拥有一些状态变量的稀疏、噪声测量数据时，PINNs可以同时推断缺失的模型参数、函数项以及整个解场。这在传统数值方法中往往难以实现或需要专门、复杂的 formulations。

2. 小数据 regime 下的强泛化能力： 深度神经网络通常需要大数据训练，但在物理问题中，高精度数据往往难以获取。通过强制执行物理约束，PINNs将解限制在一个低维流形上，从而可以用较少的数据进行有效训练，并表现出良好的泛化能力，甚至能进行一定程度的外推。

3. 连接经典数值方法与核方法： 论文指出，许多现代深度学习模型与经典数值算法存在深刻联系。例如，残差网络类似于自洽常微分方程的前向欧拉离散；循环网络类似于龙格-库塔格式。这种类比为设计新的“数学信息”元学习架构提供了思路。同时，当网络宽度趋于无穷时，PINNs的训练动力学可以与核回归方法联系起来，这为理解和分析PINNs提供了强大的理论工具。

4. 应对高维问题： 深度神经网络在应对高维问题（如图像、语言模型、高维PDE）方面表现出色。对于满足一定分层组合结构的函数，DNNs可以打破维度诅咒。例如，通过将其与反向随机微分方程结合，PINNs已成功用于求解高达数百维的Black-Scholes、Hamilton-Jacobi-Bellman等方程。生成对抗网络也被用于量化高维随机微分方程中的不确定性。

5. 不确定性量化： 可靠预测需要考虑不确定性。物理信息学习模型中的不确定性来源主要有三：物理系统本身的随机性（随机PDE）、数据的噪声和缺失（偶然不确定性和认知不确定性）、以及模型自身的局限。论文综述了多种应对方法，包括贝叶斯PINNs（B-PINNs，提供后验不确定性）、基于高斯过程的物理信息学习、以及物理信息生成对抗网络（PI-GANs），后者在解决高维随机性问题方面显示出潜力。

四、 应用实例亮点

论文列举了多个跨学科的应用实例，以展示物理信息机器学习的实践能力：

• 咖啡杯上方的3D流动推断（“隐藏流体力学”）： 这是一个典型的不适定反问题。输入数据仅为基于纹影成像技术获得的3D温度场视频，没有任何速度或压力的边界条件信息。通过构建PINN，将温度数据与流体力学控制方程（Boussinesq近似下的质量、动量、能量守恒）的残差共同纳入损失函数，成功推断出了咖啡杯上方气流的完整3D速度场和压力场，并与独立的粒子图像测速实验结果吻合。
• 4D血流MRI数据增强： 临床磁共振成像数据通常分辨率低、噪声大。研究者构建了受Navier-Stokes方程约束的PINN，对活体猪降主动脉的4D血流MRI速度数据进行去噪和物理一致性重建。该方法不仅能获得高分辨率的速度和压力场，还能辅助自动分割动脉壁几何形状并推断壁面剪切应力等关键生物标志物。
• 磁约束聚变边缘等离子体动力学： 在仅能观测到电子密度和温度部分数据的情况下，使用PINN从3D合成等离子体数据中准确学习了符合双流体理论的湍流电场和电势，展示了其在复杂热核环境中用于等离子体诊断和模型验证的潜力。
• 亚稳态跃迁研究： 针对高维概率分布中两个亚稳态之间的跃迁问题，使用神经网络表示“承诺函数”，并通过一个物理信息损失函数（变分公式）进行训练，结合自适应重要性采样来处理稀有事件。该方法成功应用于一个144维的Allen-Cahn型系统。
• 量子化学与材料科学： 在量子化学中，如FermiNet通过设计反对称的网络架构来遵守费米-狄拉克统计，并结合变分蒙特卡洛训练，用于高精度求解多电子薛定谔方程。在材料科学中，PINNs被用于从超声表面波数据中逆向表征金属板的裂纹，以及通过多保真度框架从压痕数据中提取3D打印合金的弹塑性属性。

五、 当前局限与未来展望

尽管前景广阔，论文也客观指出了当前物理信息机器学习面临的挑战和发展方向：

1. 多尺度与多物理场问题： 全连接神经网络在学习高频函数时存在困难（“频谱偏差”或“f-原则”），导致其在具有多尺度特征的解上训练效果不佳。解决方案包括域分解、傅里叶特征网络和多尺度DNNs。对于多物理场耦合问题，计算成本高昂，可能需要分步学习再耦合的策略。

2. 新算法与计算框架： PINNs的损失函数通常包含多项，构成高度非凸的优化问题，各项之间可能存在竞争，导致训练不稳定、难以收敛到全局极小值。需要开发更鲁棒的架构（如考虑弱形式的变分PINNs）和训练算法（如动态调整损失权重、自适应采样）。此外，高效计算高阶导数、分数阶导数等算子的软件支持仍需加强。

3. 基准测试与数据： 与计算机视觉等领域不同，物理信息机器学习缺乏标准化的基准数据集和评价指标。构建包含全字段数据、物理模型和参数的公共基准，对于公平评估算法性能、可复现性和计算成本至关重要。

4. 新数学理论： 迫切需要建立物理信息学习模型（尤其是受约束神经网络）的理论基础。这包括分析其近似误差、优化误差和泛化误差，研究训练动态（梯度下降、Adam等），以及理解不同损失形式（强形式、弱形式）之间的等价性。这需要深度学习、优化理论、数值分析和PDE理论的深度融合。

六、 论文的价值与未来方向

这篇综述论文的重要意义在于，它系统性地梳理和构建了“物理信息机器学习”这一快速发展的领域框架。它不仅清晰地定义了核心概念和方法论路径，还通过丰富的应用实例证明了该范式在解决传统方法难以处理的复杂科学和工程问题上的巨大潜力。

论文最后展望了几个激动人心的未来方向： * 数字孪生（Digital Twins）： 物理信息学习因其天然融合物理模型与数据、无需网格生成的优势，有望成为构建实时、高保真数字孪生的关键使能技术。 * 模型转换与可解释性： 未来需要发展能够在不同数据驱动的模型之间、不同保真度的模型之间、以及数据模型与物理理论之间进行可验证转换的ML方法。这将极大增强ML模型的可解释性，并促进数据和模型的系统融合。 * 寻找本征变量与涌现表示： 超越人为预设变量，利用流形学习、生成模型和（变分）自编码器等技术，从原始观测数据中自动发现有用的“本征变量”和“涌现”的独立变量空间（如新的“时空”），并在此空间中学习演化规律。这代表了一种全新的、由数据驱动的“理解”复杂系统的方式，可能重新定义我们对于物理建模和科学发现的认识。

总而言之，这篇论文为研究人员和从业者提供了一份关于物理信息机器学习的详尽路线图，既展示了其当前的能力与成功，也坦诚地指出了面临的挑战，并指明了未来富有前景的研究方向，对于推动这一交叉领域的持续发展具有重要的指导意义。