摘要：使用物理启发的神经网络方法求解物理逆问题正成为一种趋势,但仅通过损失函数引入物理信息的方案难以求解.为解决电磁器件逆设计中物理启发神经网络模型不易收敛的问题,本文引出了深度物理启发神经网络.深度物理启发神经网络使用偏微分方程的基本解构成的网络替代传统的前馈神经网络,将数学物理模型嵌入网络结构.这一特点使深度物理启发网络的训练参数具有实际物理意义,相较传统物理启发神经网络拥有更简洁的损失函数,计算效率和稳定性也有明显提升.以二端口波导的散射参数设计为例,数值实验结果表明该方案在保证与设计目标相关性系数大于0.99的同时,最快可在25 s实现器件逆设计,且能够获得多样化的结构设计结果.本文提出的方法为逆物理问题求解构建及神经网络的物理信息嵌入探索提供了新思路.

摘要：工业互联网的快速发展为学术界以及工业界带来了新型研发范式——数据密集型科学发现,融合物理机理以及数据驱动的建模方法是其中的研究热点之一,这种方式可以充分发挥机理仿真可解释性和泛化能力强、数据驱动模型灵活性和可学习的优势,为未来数字孪生系统提供高效、灵活的工具和方法。通过聚焦于工业互联网中构建数字孪生系统的机理+数据融合建模方法,首先阐述了基本数学原理以及建模方法,并对比了机理+数据融合建模与传统数据模型、机理模型的区别;然后从模型选择、物理机理约束以及实际任务需求3个角度详细给出了机理+数据融合建模方法的构造过程,总结了目前学术界的最新研究进展;最后介绍了国内外关于机理+数据融合建模方法在工业设备设计优化、生产制造、运行维护方面的实际落地应用场景。