本课程介绍物理引导的机器学习（Physics-Informed Machine Learning, PIML）的基本原理及其在科学与工程中多物理场复杂问题求解中的应用。课程从传统机器学习方法的概述开始，随后通过一系列案例研究，介绍多种PIML技术，如物理引导特征、领域变换以及合成特征等。课程提供并讲解了Python代码，演示如何将这些技术与不同的传统机器学习方法相结合。课程目标是覆盖多样的物理现象、PIML方法以及机器学习算法。这些方法在工程应用中能够显著提升机器学习模型的鲁棒性、精度和可靠性。
第1章：导论
OFAT（单因素变动
法） vs. DOE（实验设计） vs. 迭代式机器学习
传统机器学习方法简要回顾（神经网络、GPR、高斯过程回归、集成方法）
配套材料：幻灯片、代码
第2章：传热问题案例研究
基于神经网络的物理引导特征、损失函数设计与领域变换
配套材料：幻灯片、代码
第3章：化学反应发现案例研究
结合稀疏非线性动力学识别（SINDy）的物理引导增强方法
配套材料：幻灯片、代码
第4章：3D打印案例研究
利用有限元方法与集成算法构建的物理引导合成特征
配套材料：幻灯片、代码
第5章：胶接
强度案例研究
基于高斯过程回归（GPR）的物理引导领域变换与降维技术
配套材料：幻灯片、代码
专知便捷查看，访问下面网址或点击最底端“阅读原文”
https://www.zhuanzhi.ai/vip/f0b2a879c62ee84e21a1a905f3d94ffb
点击“阅读原文”，查看下载本文
