PAPM: 过程系统的物理感知代理模型
内容提要
本文介绍了一种物理感知元学习框架，结合偏微分方程和空间模块，提升了在有限数据下的适应能力。研究展示了物理信息化状态空间神经网络（PSMs）在化学和生物医学领域的应用，提供了更准确的预测。此外，提出了基于物理感知机器学习的水文学平台HydroPML，增强了机器学习的可解释性，并介绍了多物理预训练方法（MPP），有效预测多个物理系统的动态。
延伸解读
物理感知元学习如何缓解数据稀缺
文章提出的物理感知元学习框架，利用偏微分方程的独立知识并引入空间模块，以模拟数据为基础进行元初始化，从而减少对大量真实世界任务的依赖。这种方法在合成和真实世界的时空预测任务中表现出色，为有限数据下的适应能力提供了新思路。
PSMs在传输主导系统中的优势
物理信息化状态空间神经网络（PSMs）针对化学、生物医学和电力等传输主导系统，通过硅橡胶实验证明其比纯数据驱动模型更准确。PSMs还能创建非线性监控控制器和诊断算法，并作为数字孪生的基础，持续更新物理系统的数字表示。
HydroPML提升水文学可解释性
HydroPML是一个基于物理感知机器学习的水文学平台，旨在克服水文学与机器学习之间的观念障碍。它增强了机器学习的可解释性和因果关系，为数字水循环的实现奠定基础，并系统回顾了降雨径流模型和水动力学过程中的物理感知机器学习方法。
多物理预训练实现跨系统动态预测
多物理预训练（MPP）方法通过共享嵌入和归一化策略，将多个异质物理系统的字段投影到单一共享嵌入空间，训练大型代理模型同时预测多个系统的动力学。在流体力学基准测试中，MPP在预训练和下游任务上均优于特定任务基准，且无需微调即可对新物理现象进行准确预测。
Q&A
什么是物理感知元学习框架？
物理感知元学习框架结合偏微分方程和空间模块，旨在提升在有限数据下的适应能力。
物理信息化状态空间神经网络（PSMs）有哪些应用？
PSMs在化学和生物医学领域提供更准确的预测，并可作为数字孪生的基础。
HydroPML平台的主要功能是什么？
HydroPML增强了机器学习的可解释性和因果关系，为水文学应用提供基础。
多物理预训练方法（MPP）如何提高预测能力？
MPP通过学习广泛适用的特征，训练大型代理模型以同时预测多个物理系统的动态，且无需微调。
物理感知机器学习如何改变水文学领域？
物理感知机器学习克服了水文学和机器学习的观念障碍，推动了这两个领域的革命性发展。
PSMs与纯数据驱动模型相比有什么优势？
PSMs提供了更准确的预测，并能够创建非线性监控控制器和诊断算法。
