Реология полимеров направлена на понимание свойств течения и для образования материалов, начиная с микроскопического уровня до макроскопического, однако традиционные методы моделирования для длительного времени сталкиваются с вызовами в обработке сложных нелинейных, многомасштабных симуляций и анализа данных. Глубокое физическое обучение (PIDL) путем внедрения физических законов реологии в глубокие нейронные сети, уменьшает зависимость от большого объема данных, улучшает способность модели к обобщению и физической логике, предоставляя новый подход к решению вызовов, стоящих перед реологией полимеров. Путем обсуждения основных принципов PIDL, включая его архитектуру модели, дизайн функции потери физической информации (такие как MSE, MAE и разреженные / остаточные потери) и методы оптимизации функции потери (такие как градиентное падение, адаптивная настройка весов), и анализ применения PIDL в реологии полимеров, охватывая вероятностную модель, генерацию модели, нейронный оператор, графовые нейронные сети и обучение с подкреплением и др. множество моделей, демонстрирующее ее потенциал в улучшении параметров, прогнозировании свойств течения, решении обратной задачи и интеграции цифровыхиблионов. Несмотря на значительные преимущества, PIDL все еще сталкивается с проблемами, такими как высокие затраты на получение данных, слабая интерпретируемость модели, недостаточная точность многомасштабных решений и устойчивость. Будущие направления развития включают использование технологий мультифиделити, укрепление физической информации данных, алгоритмы оптимизации, комбинацию цифровыхиблионов, изучение причинно-следственных связей и применение метаобучения и понятного искусственного интеллекта (XAI) для улучшения производительности и практичности модели.

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