التعلم الآلي المستند إلى الفيزياء: مسح حول المشاكل والطرق والتطبيقات

أحدثت التقدمات الحديثة في التعلم الآلي المدفوع بالبيانات ثورة في مجالات مثل رؤية الكمبيوتر، التعلم المعزز، والعديد من المجالات العلمية والهندسية. في العديد من المشاكل العلمية والعالمية، فإن الأنظمة التي تولد البيانات تحكمها القوانين الفيزيائية. تظهر الأعمال الحديثة أنها تقدم فوائد محتملة لنماذج التعلم الآلي من خلال دمج المعرفة الفيزيائية السابقة والبيانات المجمعة، مما يجعل تقاطع التعلم الآلي والفيزياء نموذجًا سائدًا. من خلال دمج البيانات ونماذج الرياضيات الفيزيائية بسلاسة، يمكن أن يوجه نموذج التعلم الآلي نحو حلول ذو مصداقية فيزيائية، مما يحسن الدقة والكفاءة حتى في السياقات غير المؤكدة وذات الأبعاد العالية. في هذا المسح، نقدم هذا النموذج التعليمي المسمى التعلم الآلي المستند إلى الفيزياء (PIML) الذي يهدف إلى بناء نموذج يستفيد من البيانات التجريبية والمعرفة الفيزيائية المتاحة لتحسين الأداء في مجموعة من المهام التي تنطوي على آلية فيزيائية. نقوم بمراجعة منهجية للتطورات الأخيرة في التعلم الآلي المستند إلى الفيزياء من ثلاثة جوانب هي مهام التعلم الآلي، تمثيل المعرفة الفيزيائية السابقة، والطرق لدمج المعرفة الفيزيائية السابقة. كما نقترح عدة مشكلات بحثية مفتوحة هامة بناءً على الاتجاهات الحالية في هذا المجال. نؤكد أن تشفير أشكال مختلفة من المعرفة الفيزيائية السابقة في بنى النماذج، والمُحسنات، وخوارزميات الاستدلال، وتطبيقات محددة في مجالات مهمة مثل التصميم الهندسي العكسي والتحكم الروبوتي لم يُستكمل بالكامل في مجال التعلم الآلي المستند إلى الفيزياء. نعتقد أن البحث بين التخصصات في التعلم الآلي المستند إلى الفيزياء سيساهم بشكل كبير في دفع تقدم الأبحاث، وتعزيز إنشاء نماذج تعلم آلي أكثر فعالية، وأيضًا تقديم مساعدة لا تقدر بثمن في معالجة المشكلات المستمرة في التخصصات ذات الصلة.