AI for science: 好书推荐，好文推送！！！
文一：
基于物理的深度学习
摘要：
本书包含在物理模拟背景下与深度学习相关的所有内容的实用而全面的介绍。本书尽可能地为文档中的所有主题以 Jupyter Notebook的形式提供动手代码示例，以方便快速入门。除了从数据中进行标准的监督学习之外，本书还将研究物理损失约束、具有可微模拟的更紧密耦合的学习算法，以及强化学习和不确定性建模。
本书旨在解决的关键问题：
1. 解释如何使用深度学习技术解决 PDE 问题
2. 如何将它们与现有的物理学知识结合起来
3. 不放弃关于数值方法的知识。
本书的重点内容：
1. 基于场的模拟（拉格朗日方法）
2. 与深度学习的结合（尽管还有许多其他有趣的机器学习技术，但不会在这里讨论）
3. 实验作为展望（用真实世界的观察替换合成数据）
本书目的是利用强大的数值技术上，并在任何可能的地方使用这些技术。因此，本书的一个中心目标是，协调以数据为中心的观点与物理模拟之间的关系。由此产生的新方法具有巨大的潜力，可以改进传统数值方法的运行质量：比如求解器问题，对于某个明确定义的问题域中的案例，其效率会大大提高。投入大量资源对神经网络进行训练，对于重复求解问题就很有意义，其性能可能大大优于传统的通用求解器。
资源链接：
https://www.physicsbaseddeeplearning.org/intro.html
https://github.com/tum-pbs/pbdl-book/
图：浮力驱动的流体流中的分叉：绿色显示的“烟雾”开始以完全笔直的方式上升，但随着时间的推移，微小的数值误差会增加，从而导致涡流向一侧（右上）或相反方向（右下）交替的不稳定
文二：
土木工程中基于物理的机器学习研究综述
摘要：
机器学习（ML）和深度学习（DL）的最新发展增加了所有领域的机会。ML是一种重要的工具，可以应用于许多学科，但它直接应用于土木工程问题可能具有挑战性。在实验室中模拟的土木工程应用ML在真实世界的测试中经常失败。这通常归因于用于训练和测试ML模型的数据与其在现实世界中遇到的数据之间的数据不匹配，这种现象被称为数据偏移。然而，基于物理的ML模型集成了数据、偏微分方程（PDE）和数学模型来解决数据移位问题。基于物理的ML模型被训练来解决监督学习任务，同时尊重由一般非线性方程描述的任何给定物理定律。基于物理的ML在许多科学学科中占据中心地位，在流体动力学、量子力学、计算资源和数据存储方面发挥着重要作用。本文综述了基于物理的ML的历史及其在土木工程中的应用。
图：点云到BIM到FEM：利用激光扫描的精确历史BIM进行结构模拟
图：基于物理最大似然模型的多体动力学车桥系统振动分析
文三：
一种用于模拟三维非均质多孔介质中多相流的物理约束深度学习模型
摘要：
基于物理的多孔介质中多相流模拟器模拟具有耦合物理的非线性过程，通常需要大量的计算资源用于软件开发、维护和模拟执行。因此，在包括地质CO2封存、碳氢化合物回收和地热能提取在内的广泛地下应用中，对耦合过程的快速建模存在巨大需求。在这项工作中，开发了一种有效的物理约束深度学习模型，用于求解三维非均质多孔介质中的多相流。该模型充分利用了卷积神经网络的空间拓扑预测能力，特别是具有连续收缩和扩展步骤的U-Net，并与高效的基于连续性的平滑器相结合，以预测需要空间连续性的流量响应。此外，瞬态区域被惩罚以引导训练过程，使得模型可以准确地捕捉这些区域中的流动。该模型采用包括多孔介质特性、流体特性和井控在内的输入，并预测状态变量（压力和饱和度）的时空演变。在保持流体流动的连续性的同时，将3D空间域分解为2D图像以降低训练成本，并且分解导致训练数据样本的数量增加和训练效率提高。此外，代理模型被单独构造为后处理器，以基于来自深度学习模型的状态变量的预测来计算井流量。我们使用了向含水层注入二氧化碳的例子，并应用了物理约束的深度学习模型，该模型是根据基于物理的模拟数据训练的，并模拟了物理过程。与基于物理的模拟相比，该模型的预测速度提高了约1400倍，预测压力和饱和羽流的平均时间误差分别为0.27%和0.099%。此外，通过井流量的替代模型可以有效地预测产水率，平均误差小于5%。因此，物理约束的深度学习模型以其独特的方案来处理多孔介质中流体流动的保真度，可以成为计算要求高的逆问题或其他耦合过程的有效预测模型。
图：压力、饱和度羽流和产水井附近的固定惩罚区。
图：三维储层模型中渗透率和孔隙度的非均匀分布。红筒：CO2注入井；绿色圆柱体：水生产井。
文四：
物理引导下的动态系统深度学习综述
摘要：
复杂物理动力学建模是科学和工程领域的一项基本任务。传统的基于物理的模型具有样本效率和可解释性，但通常依赖于严格的假设。此外，直接数值近似通常是计算密集型的，需要大量的计算资源和专业知识，而且许多现实世界的系统并不具有完全已知的支配定律。虽然深度学习（DL）为有效地识别复杂模式和模拟非线性动力学提供了新的替代方案，但其预测不一定遵循物理系统的控制定律，也不一定能很好地在不同系统中推广。因此，物理制导DL的研究应运而生，并取得了长足的进展。物理引导的DL旨在从基于物理的建模和最先进的DL模型中获得最好的结果，以更好地解决科学问题。在本文中，我们对现有的将先验物理知识或基于物理的建模集成到DL中的方法进行了结构化的概述，特别强调学习动力学系统。我们还讨论了该领域的根本挑战和新出现的机遇。
文五：
利用深度学习预测结晶固体的断裂模式
摘要：
断裂是一个灾难性的过程，其理解对于评估工程材料的完整性和可持续性至关重要。在这里，我们提出了一种机器学习方法来预测断裂过程，将分子模拟连接到基于物理的数据驱动的多尺度模型中。基于原子建模和一种新的图像处理方法，我们编译了一个综合训练数据集，该数据集具有不同晶体取向的断裂模式和韧性值。对机器学习模型的预测功率的评估不仅在计算的断裂模式方面，而且在断裂韧性值方面都显示出极好的一致性，并且在模式I和模式II加载条件下都进行了检验。我们进一步研究了预测双晶材料和具有微观结构晶体取向梯度的材料中断裂模式的能力。这些结果进一步证明了我们模型的卓越预测能力。该模型的潜在应用可广泛应用于材料设计。
图：测试我们的机器学习模型预测能力的附加测试用例，评估不属于训练集的用例的结果在这里，我们用整体断裂的裂纹图像代替机器学习的数据集。
（A） 小差异双晶材料整体断裂的预测。
（B） 大差异双晶材料整体断裂预测。
（C） 梯度晶体材料的整体断裂预测（这种系统可以进行优化，例如，以最大化断裂韧性或裂纹路径曲折度）
