La rhéologie des polymères vise à comprendre les propriétés de l'écoulement et de la formation des matériaux, de la microscopie à la macroscopie, mais les méthodes de modélisation traditionnelles sont depuis longtemps confrontées à des défis dans le traitement des simulations non linéaires complexes, multi-échelles et de l'analyse des données. L'apprentissage approfondi de l'information physique (PIDL) en incorporant les lois physiques de la rhéologie dans les réseaux neuronaux profonds réduit la dépendance à l'égard d'un grand volume de données, améliore la capacité du modèle de généralisation et de logique physique, offrant ainsi une nouvelle approche pour résoudre les défis auxquels est confrontée la rhéologie des polymères. En discutant des principes fondamentaux du PIDL, y compris son architecture de modèle, la conception de la fonction de perte d'information physique (comme MSE, MAE et les pertes rares / résiduelles) et les méthodes d'optimisation de la fonction de perte (comme la descente de gradient, l'ajustement adaptatif des poids), et en analysant l'application du PIDL dans la rhéologie des polymères, incluant un modèle probabiliste, un modèle génératif, un opérateur neuronal, des réseaux neuronaux graphiques et l'apprentissage renforcé, etc., de nombreuses architectures de modèles, montrant son potentiel dans l'optimisation des paramètres, la prédiction des caractéristiques d'écoulement, la résolution de problèmes inverses et l'intégration de jumeaux numériques. Bien que le PIDL présente des avantages significatifs, il continue de faire face à des problèmes tels que les coûts élevés de collecte de données, la faible interprétabilité du modèle, l'insuffisance de précision des solutions multi-échelles et la robustesse. Les orientations futures du développement incluent l'utilisation de techniques multi-fidélité, l'amélioration de l'information physique des données, des algorithmes d'optimisation, la combinaison de jumeaux numériques, l'inférence de relations de cause à effet et l'application de l'apprentissage méta et de l'intelligence artificielle interprétable (XAI) pour améliorer la performance et l'utilité du modèle.

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