理解和預測複雜的物理系統仍然是科學研究和工程的重要挑戰。機械學習模型雖然強大，但通常無法遵循物理的基本規則，從而導致不正確或非物理結果。為了解決這個問題，通過將這些規則引入機械學習模型，對物理學知識的機械的學習已作為解決方案。但是，創建實施這些規則的確切條件是一項艱鉅的任務，尤其是在處理複雜的數學方程式時。研究人員Sandor Sinica的Sandor Molnar博士，Joseph Godfrey教授和弗吉尼亞理工大學的Binaryng Song教授引入了一種新方法，該方法在單一框架下統一了不同的物理定律。他們的作品發表在《 Heliyon》雜誌上，提出了一種平衡方程的方法，將物理系統整合到機械學習模型中。
物理學告知的傳統學習機械方法取決於從管理方程式提取的其他校正條款，以確保遵守物理定律。但是，確定這些糾正條款通常是相反的，並且缺乏普遍的指南。資產負債表的提出的框架通過繪製經典物理的所有基本方程來等同於此 – 描述了那些從單個平衡方程式從單個平衡方程式移動液體如何移動，電場，材料如何拉伸和熱傳遞的方式。該方程構成了質量，強度和能量等物理量的保存和運動。通過應用特定的材料關係，研究人員可以將平衡方程式調整到各個科學領域，從而更容易將物理整合到機械學習模型中。
戈弗雷教授解釋說：“我們表明，所有這些方程都可以從稱為通用平衡方程的單個方程式得出，這與將平衡方程與特定領域聯繫起來的特定組成關係。”這種方法為將物理學納入機械學習提供了一種更具結構化和通用的方法。
這種方法的主要好處是它可以系統地實施物理規則的能力，而無需對不同類型的方程式進行其他調整。研究人員表明，他們的方法準確地捕獲了複雜的系統通過解決預測問題和逆向工程問題在教授物理學的機械中的行為。預測問題包括預測系統如何根據已知的物理定律隨時間變化，而反向工程的問題包括發現通過分析現實世界數據來調節系統的未知規則。他們的方法允許使用相同方法對兩種類型的問題進行處理，從而顯著提高了旨在與物理系統一起使用的機械學習模型的效率和準確性。
這項研究最重要的方面之一是其在各個科學領域的廣泛應用。平衡方法可用於模擬流體和氣體流動方式，化學反應的發生方式以及電力如何在其他應用之間相互作用。通過將不同的物理原理在方程式下團結起來，這種方法不僅簡化了將物理學整合到機械學習模型中的過程，而且還提供了一種更可靠，更適應性的方法。研究人員舉了實際的例子，展示瞭如何實施其框架，以表明其在現實世界中的靈活性和實用性。
戈弗雷教授指出，強調他們發現的重要性，“我們的方法表明，可以遵循單個框架將物理學包括在機械學習模型中。這種概括可以為更有效地基於復雜系統開發物理學的方法為基礎提供基礎。”
隨著機器學習在科學研究中繼續發揮重要作用，確保其預測與物理現實相匹配至關重要。資產負債方程是朝著最可靠和理解複雜系統學習機械模型的重要一步。戈弗雷教授強調了他們的工作的更廣泛的含義，他說：“平衡方程框架可以使物理限制與物理形式的神經網絡（PINN）指定平衡方程式和組件方程。”未來是物理學的教學。 ”
通過提供一種結構化和通用的方法來將物理學納入機械學習，這項工作為未來改進計算建模的基礎奠定了基礎。它為更準確的模擬，更好的預測以及對自然系統和工程系統行為的更深入了解打開了大門。
日記
Molnar SM，Godfrey J.，Song B.“學習機械的平衡方程式。” Heliyon，2024年； 10：E38799。 doi： https://dii.org/10.1016/j.heliyon.2024.e38799
關於
約瑟夫·R·戈弗雷（Joseph R Godfrey） 他於1958年4月15日出生於哥斯達黎加的聖何塞。 1979年，他從Agoikagos大學獲得了數學職位，並於1987年獲得了巴黎圣母院的高能量物理學博士學位。他的職責包括計劃管理和發展，學生招聘和與公共和私人機構的伙伴關係發展。
Sandor M. Molnar 他於1955年8月27日出生於匈牙利的布達佩斯。他於1979年獲得了匈牙利布達佩斯Eotvo大學的天文學文憑，並於1993年和1993年和1995年的馬薩諸塞大學阿默斯特大學（Amherst）和1995年的科學/研究公司研究協會獲得了兩度MSC（物理學，天文學）。然後，他在台灣台北台北市學術界的天文學和天體物理學研究所加入了幾所大學（羅特斯，華盛頓州立大學，華盛頓大學羅特大學，華盛頓大學，蘇黎世大學）擔任博士後職位，但繼續他作為訪問研究員的研究。它在銀河系和相關主題中擁有70多個天體物理學和宇宙學出版物。 Molnar博士在2015年出版了一本書，名為《 Galaxy群體》（來自Nova）。
