基于物理信息深度学习的高分子流变学研究：挑战、方法与应用

祁纪浩，陈欣，庞志威，林增，王超元，刘虎，沙金，白志山(华东理工大学机械与动力工程学院)

摘要：高分子流变学旨在理解材料从微观到宏观的流动与变形特性，但传统建模方法在处理复杂非线性、多尺度模拟及数据解析方面长期面临挑战. 物理信息深度学习(PIDL)通过将流变学物理定律嵌入深度神经网络，减少对大量数据的依赖，提高模型泛化能力和物理合理性，为解决高分子流变学面临的挑战提供新的途径. 通过探讨PIDL 的基本原理，包括其模型架构、物理信息损失函数设计(如MSE、MAE及稀疏/残差损失)和损失函数优化方法(如梯度下降、自适应权重调整)，并分析PIDL 在高分子流变学中的具体应用，涵盖了概率模型、生成式模型、神经算子、图神经网络和强化学习等多种模型架构，展示其在参数优化、流变特性预测、逆问题求解及数字孪生集成等方面的潜力. 尽管PIDL 展现出显著优势，但仍面临数据获取成本高、模型可解释性弱、多尺度求解精度不足及鲁棒性等问题. 未来发展方向包括利用多保真技术、物理信息增强数据、优化算法、结合数字孪生、推断因果关系以及应用元学习和可解释人工智能(XAI)来提升模型性能和实用性.

关键词：物理信息深度学习，高分子流变学，建模与仿真，智能预测与优化