Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications

要約

データ駆動型機械学習の最近の進歩は、コンピューター ビジョン、強化学習、および多くの科学および工学分野などの分野に革命をもたらしました。
多くの現実世界および科学的問題では、データを生成するシステムは物理法則に支配されています。
最近の研究では、物理的な事前データと収集されたデータを組み込むことにより、機械学習モデルに潜在的な利点がもたらされることが示されています。これにより、機械学習と物理学の交差点が一般的なパラダイムになります。
この調査では、物理学に基づく機械学習 (PIML) と呼ばれるこの学習パラダイムを提示します。これは、経験的データと利用可能な物理的な事前知識を活用して、物理的メカニズムを含む一連のタスクのパフォーマンスを向上させるモデルを構築することです。
機械学習タスク、物理事前確率の表現、および物理事前確率を組み込む方法の 3 つの観点から、物理学に基づく機械学習の最近の開発を体系的にレビューします。
また、この分野の現在の傾向に基づいて、いくつかの重要な未解決の研究課題を提案します。
モデル アーキテクチャ、オプティマイザー、推論アルゴリズム、および逆エンジニアリング設計やロボット制御などの重要なドメイン固有のアプリケーションへのさまざまな形式の物理事前情報のエンコードは、物理学に基づく機械学習の分野で完全に調査されるにはほど遠いと主張します。
この研究が、機械学習コミュニティの研究者が、物理学に基づく機械学習の学際的な研究に積極的に参加することを後押しすると信じています。

要約(オリジナル)

Recent advances of data-driven machine learning have revolutionized fields like computer vision, reinforcement learning, and many scientific and engineering domains. In many real-world and scientific problems, systems that generate data are governed by physical laws. Recent work shows that it provides potential benefits for machine learning models by incorporating the physical prior and collected data, which makes the intersection of machine learning and physics become a prevailing paradigm. In this survey, we present this learning paradigm called Physics-Informed Machine Learning (PIML) which is to build a model that leverages empirical data and available physical prior knowledge to improve performance on a set of tasks that involve a physical mechanism. We systematically review the recent development of physics-informed machine learning from three perspectives of machine learning tasks, representation of physical prior, and methods for incorporating physical prior. We also propose several important open research problems based on the current trends in the field. We argue that encoding different forms of physical prior into model architectures, optimizers, inference algorithms, and significant domain-specific applications like inverse engineering design and robotic control is far from fully being explored in the field of physics-informed machine learning. We believe that this study will encourage researchers in the machine learning community to actively participate in the interdisciplinary research of physics-informed machine learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google