基于物理的机器学习:利用自然法则改进广义深度学习模型

基于物理的机器学习涵盖了几种不同的方法，将我们周围世界的现有知识与机器学习中的强大技术融合在一起。一个备受关注的研究领域是使用深度学习来增强对复杂系统(如气候)的大规模模拟。在这里，来自卫星的数据与模拟数据一起使用，以预测这些复杂系统的演变。虽然有大量的数据，而且计算模型已经达到了显著的成熟度，但机器学习中使用的工具往往比管理物理过程的定律受限制更少。除非实施适当的约束，否则深度学习预测可以产生非物理结果。

在MATLAB中使用深度学习工具箱^®R2020b，新的损失函数可以很容易地实现和测试。为了演示，在本次演讲中，将讨论一个简单的钟摆动力学案例，并通过使用两个神经网络来展示运动的预测，一个使用传统的损失函数训练，另一个使用基于物理的损失函数。结果表明，额外的约束使网络能够比传统方法更准确地预测系统的运动。虽然这代表了一个简单的概念证明，但该模型具有更复杂物理系统的许多共同方面，并允许快速和信息丰富的测试平台。