La reología de polímeros tiene como objetivo comprender las propiedades del flujo y la formación de materiales, desde el microscópico al macroscópico, pero los métodos de modelado tradicionales han enfrentado desafíos a largo plazo en el tratamiento de simulaciones no lineales complejas, multiescala y análisis de datos. El aprendizaje profundo de la información física (PIDL) al incorporar las leyes físicas de la reología en redes neuronales profundas reduce la dependencia de grandes volúmenes de datos, mejora la capacidad del modelo para la generalización y la lógica física, proporcionando así un nuevo enfoque para resolver los desafíos que enfrenta la reología de polímeros. Al discutir los principios básicos de PIDL, incluida su arquitectura de modelo, el diseño de la función de pérdida de información física (como MSE, MAE y pérdidas raras / residuales) y métodos de optimización de la función de pérdida (como la disminución del gradiente, ajuste adaptativo de pesos), y analizar la aplicación de PIDL en la reología de polímeros, que abarca un modelo probabilístico, un modelo generativo, un operador neuronal, redes neuronales gráficas y aprendizaje reforzado, entre otros, de diversas arquitecturas de modelos, demostrando su potencial en la optimización de parámetros, predicción de características de flujo, resolución de problemas inversos e integración de gemelos digitales. Aunque PIDL demuestra ventajas significativas, sigue enfrentando problemas como altos costos de adquisición de datos, poca capacidad de interpretación del modelo, insuficiente precisión en las soluciones multiescala y la robustez. Las futuras direcciones de desarrollo incluyen el uso de técnicas de multifiabilidad, mejora de la información física de los datos, algoritmos de optimización, combinación de gemelos digitales, inferencia de relaciones causa-efecto y aplicación de aprendizaje meta e inteligencia artificial interpretable (XAI) para mejorar el rendimiento y la utilidad del modelo.

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