تهدف ريولوجيا البوليمرات إلى فهم خصائص تدفق وتشكل المواد من الميكروسكوبية إلى الماكروسكوبية، ولكن الطرق التقليدية للنمذجة تواجه تحديات طويلة الأمد في معالجة التحاكيات غير الخطية المعقدة ومتعددة المقاييس وتحليل البيانات. يقلل التعلم العميق للمعلومات الفيزيائية (PIDL) من الاعتماد على كميات كبيرة من البيانات، ويزيد من قدرة النموذج على التعميم والمنطق الفيزيائي، ويوفر مساراً جديداً لحل التحديات التي تواجه ريولوجيا البوليمرات. من خلال مناقشة المبادئ الأساسية لـ PIDL، بما في ذلك هيكلها النمطي، وتصميم دالة فقدان المعلومات الفيزيائية (مثل MSE، MAE وخسارة الفقرات / البقايا) وأساليب تحسين دالة الخسارة (مثل الانخفاض التدريجي، والتكيف مع التعديلات الوزنية)، وتحليل تطبيق PIDL في ريولوجيا البوليمرات المحددة، بما في ذلك نموذج الاحتمالات، نموذج الجيل، عمليات العصب الصناعي، شبكات الجراف العصبي والتعلم التعزيزي وغيرها. من النماذج النمطية المتعددة، ويظهر إمكانياتها في تحسين المعلمة، وتنبؤ خصائص التدفق، وحل المشكلات العكسية، وتكامل التوائم الرقمية. على الرغم من أن PIDL تظهر مزايا بارزة، تواجه لا تزال مشكلات تتعلق بتكلفة الحصول على البيانات، وضعف قدرة النموذج على التفسير، ونقصان الدقة في حلول متعددة المقاييس والصلابة وغيرها. تشمل اتجاهات التطوير المستقبلية استخدام تقنيات التمثيل المتعدد، وبيانات تعزيز المعلومات الفيزيائية، وخوارزميات التحسين، والجمع بين التوائم الرقمية، واستخلاص العلاقات السببية، وتطبيق التعلم عن بعد والذكاء الاصطناعي قابل للتفسير (XAI) لتعزيز أداء النموذج وفائدته.

Physics-informed deep learning;Polymer rheology;Modeling and simulation;Intelligent prediction and optimization