计算机科学与探索

作者：陈冲, 朱啸宇, 王芳, 许雅倩, 张伟

单位：1. 中国石油大学（北京） 人工智能学院，北京 1022492. 中国科学院 西北生态环境资源研究院 冰冻圈科学与冻土工程重点实验室可可托海站，兰州 730000

关键词：科学范式,物理引导,深度学习,模型融合,控制方程

基金：国家重点研发计划（2022YFC2803700）；甘肃省自然科学基金（23JRRA583）。

尽管深度学习在处理非线性高维问题时表现出强大的能力，但在复杂科学与工程问题中仍面临诸多挑战，如高昂的计算成本、大量的数据需求、难以解释的黑盒特性，缺乏对物理规律的建模能力等。为此，近年来涌现了一种新的框架——物理引导深度学习，通过将领域内的物理知识融入深度学习模型的构建和训练过程中，旨在增强模型的性能、可解释性及其物理一致性。对国内外关于物理引导深度学习的相关工作进行了全面梳理与分析。介绍了物理引导深度学习框架的主要动机与理论基础。对物理信息组合与物理信息融合两种模式进行了详细讨论，总结了各方法的特点、局限性与应用场景。分析了物理引导深度学习在多个领域应用中的表现，并从计算复杂性与优化收敛问题、控制方程偏离问题、观测数据依赖问题与知识融合困难问题四个方面探讨了该框架目前面临的挑战，并基于此展望该领域未来的发展方向，以期为研究者提供借鉴思路及多维度视角。

来源：2025年第2期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第2期