经过物理引导深度学习介绍从数据中学习动态体系。相关研讨成果已于2024年6月24日在世界闻名学术期刊《美国科学院院刊》上宣布。

  据悉，杂乱物理动力学建模是科学和工程中的一项基本任务。传统的根据物理的模型是第一性准则的、可解说的、样本高效的。但是，它们一般依赖于强壮的建模假定和贵重的数值积分，需求很多的核算资源和范畴专业相关常识。尽管深度学习(DL)为杂乱动态建模供给了有用的代替计划，但它们需求很多符号的练习数据。

  此外，它的猜测或许不符合主导的物理规律，难以解说。物理引导的深度学习旨在将第一性物理常识整合到数据驱动的方法中。它具有一举两得的优势，并且有才能更好地处理科学问题。最近，这一范畴取得了很大的发展，并引起了跨学科的极大爱好。

  该研讨团队介绍了物理引导下的深度学习结构，特别强调学习动态体系。研讨人员描绘了学习管道，并在此结构下对最先进的方法来进行了分类。研讨人员还就揭露的挑战和新出现的机会提出了自己的观念。