Aprendizaje Automático Informado por la Física: Una Revisión sobre Problemas, Métodos y Aplicaciones

Los avances recientes en el aprendizaje automático impulsado por datos han revolucionado campos como la visión por computadora, el aprendizaje por refuerzo y muchos dominios científicos e ingenieriles. En muchos problemas del mundo real y científicos, los sistemas que generan datos están gobernados por leyes físicas. Trabajos recientes muestran que esto proporciona beneficios potenciales para los modelos de aprendizaje automático al incorporar el conocimiento físico previo y los datos recolectados, lo que hace que la intersección del aprendizaje automático y la física se convierta en un paradigma predominante. Al integrar los datos y los modelos de física matemática de manera fluida, puede guiar el modelo de aprendizaje automático hacia soluciones que son físicamente plausibles, mejorando la exactitud y la eficiencia incluso en contextos inciertos y de alta dimensión. En esta revisión, presentamos este paradigma de aprendizaje llamado Aprendizaje Automático Informado por la Física (PIML), que busca construir un modelo que aproveche los datos empíricos y el conocimiento físico previo disponible para mejorar el rendimiento en un conjunto de tareas que involucran un mecanismo físico. Revisamos sistemáticamente el desarrollo reciente del aprendizaje automático informado por la física desde tres perspectivas: tareas de aprendizaje automático, representación del conocimiento físico previo y métodos para incorporar el conocimiento físico previo. También proponemos varios problemas de investigación abiertos importantes basados en las tendencias actuales en el campo. Argumentamos que la codificación de diferentes formas de conocimiento físico previo en arquitecturas de modelos, optimizadores, algoritmos de inferencia y aplicaciones específicas del dominio significativas, como el diseño de ingeniería inversa y el control robótico, está lejos de haber sido completamente explorada en el campo del aprendizaje automático informado por la física. Creemos que la investigación interdisciplinaria del aprendizaje automático informado por la física impulsará significativamente el progreso de la investigación, fomentará la creación de modelos de aprendizaje automático más efectivos y también ofrecerá asistencia invaluable para abordar problemas de larga data en disciplinas relacionadas.