物理约束学习带不确定性的 PDE 系统的 Port-Hamiltonian 模型
内容提要
本文探讨了高斯过程Port-Hamiltonian系统（GP-PHS）在物理信息贝叶斯学习中的应用，强调不确定性量化。提出了多种基于物理约束的深度学习和建模方法，以提高小样本问题的解决能力，并有效量化科学机器学习中的不确定性。这些方法结合了物理知识与机器学习，提升了系统动力学预测的准确性，展示了在科学领域的广泛应用潜力。
延伸解读
物理约束与不确定性量化的融合
文章强调将物理约束融入机器学习模型，以提升小样本下的泛化能力。GP-PHS 利用 Port-Hamiltonian 系统的被动性和组合性质，在贝叶斯学习中自然量化不确定性。这种融合不仅提高了预测准确性，还提供了对科学机器学习任务中不确定性的有效评估手段，为复杂物理系统建模提供了新思路。
多项式混沌展开的代理模型优势
物理约束多项式混沌扩展方法作为代理模型，能同时进行科学机器学习和不确定性量化。新方法结合传统实验设计与物理约束，在提高近似精度的同时不增加显著计算负担，并能通过简化后的 PCE 进行不确定性量化，滤除确定性时空变量的影响，为高效不确定性量化提供了实用途径。
深度生成模型与物理定理的结合
深度生成模型通过物理学定理传递复杂物理系统中的不确定性，构建隐式变分推断公式，并利用物理原理约束模型输出。这使得模型在面对高成本数据采集和小型训练数据集时，仍能可扩展地描述随机输入或观测与物理系统输出的不确定性，并以传输动态为例验证了有效性。
坐标选择对模型性能的影响
文章指出，将系统嵌入笛卡尔坐标并使用拉格朗日乘子显式强制执行约束，相比使用广义坐标编码约束的方法，能在准确度和数据效率方面提高 100 倍。这一发现强调了坐标表示和约束处理方式对物理信息机器学习模型性能的重要影响，为未来研究提供了优化方向。
Q&A
高斯过程Port-Hamiltonian系统（GP-PHS）有什么特点？
GP-PHS用于物理信息的贝叶斯学习，强调不确定性量化，生成被动系统并保留Port-Hamiltonian系统的组合性质。
如何利用物理约束提高深度学习模型的准确性？
通过将物理学基础知识注入神经网络，并在训练过程中强制实施物理约束，可以显著提高系统动力学预测的准确性。
什么是物理约束多项式混沌扩展方法？
这是一种代理模型方法，能够同时进行科学机器学习和不确定性量化，有效量化科学机器学习任务的不确定性。
GP-PHS在小样本问题上有什么优势？
GP-PHS能够解决小样本问题，提供不确定性量化，适用于偏微分方程系统的预测和推断。
如何通过深度生成模型传递物理系统中的不确定性？
深度生成模型利用物理学定理作为约束条件，能够有效描述随机输入和物理系统输出的不确定性。
分层预测-校正方案的目的是什么？
该方案使神经网络能够学习理解和控制复杂的非线性物理系统，成功开发对偏微分方程的理解。
