基于人工智能技术的物理领域探究（PIML&PINN）
在数据洪流与计算瓶颈日益凸显的科研时代，如何摆脱“靠黑盒吃数据”的研究困局？如何在论文、升学、毕业的重压下，找到一个低门槛但高质量的研究突破口？PIML正以其独特的范式突破，为众多科研新人提供了一条可靠的通往高质量科研成果的捷径。 这一范式强调将物理结构与领域知识（如公式、拓扑、假设、经验）以及领域知识的归因过程直接嵌入深度学习模型之中，用更小的数据量、更强的泛化能力与更可信的结果，对复杂系统进行建模、预测与推理。PIML目前普遍用于迅速成为解决小样本、高噪声、强约束问题的重要手段，广泛应用于设备健康管理（PHM）、结构健康监测（SHM）、工业制造过程的监测与缺陷检测、以及高维科学计算与反问题求解等关键工程与科研领域。
本课题主要关注和研究这一范式本身，并且大力推动PIML在上述领域的应用。在这些场景中，PIML&PINN系统往往具有复杂的多物理耦合机制、非线性演化规律与高维输入输出特征，且数据受限于成本、时间或工况不可重复等因素，导致传统的数据驱动和PIML方法难以稳定泛化，甚至容易陷入“过拟合于伪规律”的陷阱。
此外，现有国内外大部分的PIML方法和框架都存在informed-knowledge和被informed机器学习模型之间不匹配的问题，因为常常只用于特定案例的作用。
我们将通过框架设计、训练理论发展、以及场景特异化的知识匹配来解决PIML中存在的通用性问题。