고분자 유변학은 물질의 미시 및 거시적 흐름과 변형 특성을 이해하기 위해 설립되었으나, 전통적인 모델링 방법은 복잡한 비선형, 다중 척도 시뮬레이션 및 데이터 분석에 대한 도전에 직면해왔습니다. 물리적 정보 깊은 학습(PIDL)은 유변학 물리 법칙을 심층 신경망에 내재시킴으로써 대량의 데이터에 대한 의존성을 줄이고 모델의 일반화 능력과 물리적 적합성을 향상시켜 고분자 유변학의 도전을 해결하기 위한 새로운 방법을 제시합니다. PIDL의 기본 원리, 모델 구조, 물리 정보 손실 함수 설계(예: MSE, MAE 및 희소/잔차 손실) 및 손실 함수 최적화 방법(예: 경사 하강, 적응적 가중치 조정)을 탐구하고 PIDL의 특정 응용에 대한 분석을 통해, 확률 모델, 생성 모델, 신경 연산자, 그래프 신경망 및 강화 학습과 같은 여러 모델 구조를 포함하여 매개 변수 최적화, 유변 특성 예측, 역 문제 해결 및 디지털 쌍체 통합 등의 가능성을 보여줍니다. PIDL은 뚜렷한 장점을 보여주지만, 데이터 확보 비용이 높고 모델의 설명 가능성이 약하며 다중 척도 해결 정확도가 부족하고 강건성 등의 문제에 직면하고 있습니다. 미래 발전 방향은 다중 충실 기술, 물리적 정보 강화 데이터, 최적화 알고리즘, 디지털 쌍체, 인과 관계 추론 및 메타 학습 및 설명 가능 인공 지능(XAI)을 활용하여 모델의 성능과 유용성을 향상시키는 것을 포함합니다.

물리적 정보 깊은 학습;고분자 유변학;모델링과 시뮬레이션;지능적 예측 및 최적화