详细内容或原文请订阅后点击阅览
AI模型不断错误，但是此方法将其修复
理解和预测复杂的物理系统仍然是科学研究和工程的重大挑战。机器学习模型虽然强大，但通常无法遵循物理的基本规则，从而导致不准确或非物理结果。为了解决这个问题，通过将这些规则嵌入机器学习模型中，物理知识的机器学习已成为解决方案。但是，创建[…]
来源:科学特色系列理解和预测复杂的物理系统仍然是科学研究和工程的重大挑战。机器学习模型虽然强大，但通常无法遵循物理的基本规则，从而导致不准确或非物理结果。为了解决这个问题，通过将这些规则嵌入机器学习模型中，物理知识的机器学习已成为解决方案。但是，创建执行这些规则的精确条件是一项艰巨的任务，尤其是在处理复杂的数学方程式时。研究人员，来自西尼卡学术界的桑多·莫尔纳尔（Sandor Molnar）博士，弗吉尼亚理工大学的约瑟夫·戈弗雷（Joseph Godfrey）教授和比辛（Binyang）的歌曲（Binyang Song）介绍了一种新方法，该方法在单个框架下统一了各种物理定律。他们的工作发表在《 Heliyon》杂志上，提出了一种平衡方程方法，将物理系统整合到机器学习模型中。
传统物理信息的机器学习方法依赖于从管理方程式得出的其他更正术语来确保遵守物理定律。但是，定义这些更正术语通常是不一致的，并且缺乏普遍的指南。提出的平衡方程框架通过得出经典物理的所有基本方程（例如描述流体如何移动，电场的行为方式，材料如何拉伸和热量传递方式）来解决这一问题。该方程是质量，力和能量等物理量的保护和运动。通过应用特定的材料关系，研究人员可以将平衡方程式调整到不同的科学领域，从而更容易将物理整合到机器学习模型中。
日记参考
Molnar S.M.，Godfrey J.，歌曲B。“物理知识的机器学习的平衡方程。” Heliyon，2024年； 10：E38799。 doi：https：//doi.org/10.1016/j.heliyon.2024.e38799
https://doi.org/10.1016/j.heliyon.2024.e38799 关于作者 Joseph R Godfrey Sandor M. Molnar