Die Rheologie der Polymere zielt darauf ab, die Eigenschaften des Fließens und die Formung von Materialien von der Mikroskopie bis zur Makroskopie zu verstehen, aber herkömmliche Modellierungsmethoden stehen seit Langem vor Herausforderungen bei der Behandlung komplexer nichtlinearer, multi-skaliger Simulationen und Datenanalysen. Das tiefe Lernen von physikalischen Informationen (PIDL) durch die Einbettung physikalischer Gesetze der Rheologie in tiefe neuronale Netze reduziert die Abhängigkeit von großen Datenmengen, verbessert die Modellgeneralisierung und die physikalische Logik und bietet somit einen neuen Ansatz zur Bewältigung der Herausforderungen, vor denen die Rheologie der Polymere steht. Durch die Diskussion der grundlegenden Prinzipien von PIDL, einschließlich seiner Modellarchitektur, dem Design der Funktion des physikalischen Informationsverlusts (wie MSE, MAE und seltene / residuale Verluste) und Optimierungsmethoden der Verlustfunktion (wie Gradientenabstieg, adaptives Anpassen der Gewichte) und Analyse der Anwendung von PIDL in der Rheologie der Polymere, die ein probabilistisches Modell, ein generatives Modell, ein neuronaler Operator, graphische neuronale Netze und verstärkendes Lernen, unter anderem, verschiedene Modellarchitekturen, die ihr Potenzial in der Parameteroptimierung, Vorhersage von Fließeigenschaften, Lösung inverser Probleme und Integration digitaler Zwillinge zeigen. Obwohl PIDL wesentliche Vorteile zeigt, steht es immer noch vor Problemen wie hohen Kosten für die Datengewinnung, geringer Modellinterpretierbarkeit, unzureichender Genauigkeit bei multi-skaligen Lösungen und Robustheit. Zukünftige Entwicklungsrichtungen umfassen den Einsatz von Multifidelity-Techniken, Verbesserung der physikalischen Informationsdaten, Optimierungsalgorithmen, Kombination digitaler Zwillinge, Inferenz von Ursache-Wirkungs-Beziehungen und Anwendung von Meta-Lernen und interpretierbarer künstlicher Intelligenz (XAI) zur Verbesserung der Modellleistung und -nützlichkeit.

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