A reologia de polímeros visa compreender as propriedades de fluxo e deformação dos materiais desde a escala micro até a macro, mas os métodos de modelagem tradicionais enfrentam desafios de longa data na análise de simulações não lineares e de múltiplas escalas de dados. A aprendizagem profunda da informação física (PIDL) incorpora leis físicas reológicas em redes neurais profundas, reduzindo a dependência de grandes volumes de dados, aumentando a capacidade de generalização do modelo e a adequação física, fornecendo uma nova abordagem para lidar com os desafios da reologia de polímeros. Ao explorar os princípios básicos do PIDL, incluindo sua arquitetura de modelo, projeto de função de perda de informação física (como MSE, MAE e perda esparsa/residual) e métodos de otimização da função de perda (como descida de gradiente, ajuste adaptativo de peso), e analisar aplicações específicas do PIDL na reologia de polímeros, abrangendo modelos probabilísticos, modelos generativos, operadores neurais, redes neurais de gráfico e aprendizado por reforço e várias arquiteturas de modelos, mostrando seu potencial em otimização de parâmetros, previsão de propriedades reológicas, solução de problemas inversos e integração de gêmeos digitais. Embora o PIDL demonstre vantagens significativas, ainda enfrenta desafios como alto custo de obtenção de dados, baixa explicabilidade do modelo, precisão insuficiente na resolução de múltiplas escalas e robustez. As direções futuras incluem a utilização de técnicas polifônicas, dados aprimorados com informações físicas, algoritmos de otimização, integração de gêmeos digitais, inferência de relações de causa e efeito, e a aplicação de metaprendizagem e inteligência artificial explicável (XAI) para melhorar o desempenho e a praticidade do modelo.

Aprendizado profundo de informações físicas;Reologia de polímeros;Modelagem e simulação;Previsão inteligente e otimização