Karniadakis, George Em; Kevrekidis, Ioannis G.; Lu, Lu et al. · 2021 · Nature Reviews Physics

Metadata

Authors: Karniadakis, George Em; Kevrekidis, Ioannis G.; Lu, Lu; Perdikaris, Paris; Wang, Sifan; Yang, Liu

Tags: #PINNs #neural-network #inverse-problem #uncertainty-quantification

📄 Quick Note¶

摘要概述¶

本文是 Karniadakis 等人发表于 Nature Reviews Physics 的综述，系统梳理了 physics-informed machine learning（PIML）这一新兴领域。核心论点是：纯数据驱动的深度学习在科学问题上面面临数据稀缺、外推性差、物理不一致等问题，而将物理定律（PDE 守恒律、对称性等）作为 inductive bias 嵌入 ML 模型，可以显著提升小数据下的精度、泛化性和可解释性。文章将 PIML 归纳为三条路径——observational bias、inductive bias（硬约束，直接编码进网络结构）、learning bias（软约束，通过 loss 项施加），并重点介绍了 physics-informed neural networks（PINNs）通过 automatic differentiation 在时空随机点处施加 PDE 约束的范式。综述覆盖了从流体力学、生物物理到等离子体物理的多样化应用，涵盖 forward 问题（求解 PDE）、inverse 问题（参数发现、隐物理发现）及高维 PDE 求解，最后展望了 digital twins、operator regression、equivariant 架构等未来方向。

关键图表¶

Box 1（数据与物理的三种情景） — 按 data 多寡与 physics 已知程度划分三类问题：small data + full physics（传统数值求解）、some data + some physics（最普遍、最有趣的中间情形，可用 PINN 同时反演参数与解）、big data + no physics（纯数据驱动发现新物理）。中间情景是 PIML 的核心舞台。
Fig. 1（physics-inspired 网络架构） — 展示了如何利用对称性/不变性设计网络结构（如 covariant compositional networks、equivariant transformers、HJ-PDE 两层架构），使网络自动满足物理约束，属于 inductive bias（硬约束）路径。
Fig. 2/3（流体与血流应用） — Fig. 2 用 PINN 从 espresso cup 的 Tomo-BoS 视频反演三维流场（hidden fluid mechanics）；Fig. 3 对猪主动脉的 4D-flow MRI 数据做 physics-informed 滤波，重建壁面剪应力等量，展示了 PIML 在生物医学成像降噪与反演中的实际威力。

与我的关联¶

作为计算生物力学研究者，PIML 提供了一条将 FEniCS/FEM 传统求解与实验数据（如医学影像、力学测量）融合的新路径——尤其是 inverse problem 范式（从 noisy data 反演材料参数或缺失的 constitutive 项）对血管 G&R 模型的参数标定与不确定性量化有直接启发，值得进一步精读其 PINN inverse 机制与 high-dimensional PDE 章节。