Das umfassende Übersichtspapier „Machine Learning with Physics Knowledge for Prediction: A Survey“, das von Wissenschaftlern der TU Darmstadt, ABB und anderen Partnern gemeinsam verfasst wurde, wurde kürzlich in Transactions on Machine Learning Research veröffentlicht, siehe https://openreview.net/forum?id=ZiJYahyXLU.

Diese umfangreiche Studie untersucht systematisch Methoden, die maschinelles Lernen mit physikalischem Wissen verbinden, insbesondere die Integration partieller Differentialgleichungen in Vorhersagemodelle. Sie gliedert sich in zwei Hauptthemen:

1. Architektonische Integration der Physik: Einbettung physikalischer Beschränkungen durch strukturierte Modelle, Verlustfunktionen und Datenaugmentation.

2. Datenbasiertes Physikwissen: Nutzung von Multitasking-, Meta- und Kontextlernen, um Datensätze selbst als Übermittler physikalischer Gesetze zu behandeln.

Der Artikel beleuchtet zudem eine industrielle Perspektive und präsentiert reale Anwendungen in Branchen wie Fertigung, Luft- und Raumfahrt, Automobilindustrie, Energiesysteme und Klimamodellierung, sowie ein ressourcenreiches Open-Source-Ökosystem für physikbasiertes maschinelles Lernen.

Warum es wichtig ist:

• Wissenschaftliche Sorgfalt trifft Skalierbarkeit: Die Kombination aus fundiertem physikalischem Wissen und flexiblen ML-Frameworks verbessert die Zuverlässigkeit selbst bei begrenzten Daten.
• Umfassende Inhalte: Von neuronalen Operatoren und PINNs bis hin zu Meta-Learning und kontextueller Modellierung – alles untersucht und verglichen.
• Industrielle Relevanz: Verdeutlicht, wie diese hybriden Techniken den Fortschritt in realen Systemen vorantreiben, von der vorausschauenden Wartung bis hin zu digitalen Zwillingen.