محققان در پژوهشی جدید، چالش «دادههای محدود و گران» در فرآیندهای صنعتی (مانند ماشینکاری) را با استفاده از یادگیری ماشینِ آگاه از فیزیک (Physics-Informed ML) بررسی کردهاند.
🔹 نکات کلیدی این تحقیق:
۱. دقت در دادهها: بهجای پیشپردازش ساده، جداسازی پاکسازی دادههای مبتنی بر فیزیک از اصلاحات آماری نتایج دقیقتری به همراه دارد.
۲. پایداری مدلها: محققان نشان دادند که در دادههای کوچک، انتخاب مدل بسیار حساس است و مدلهای «فرآیند گاوسی» (GP) اغلب عملکرد پایدارتری نسبت به مدلهای درختی دارند.
۳. ترکیب فیزیک و هوش مصنوعی: استفاده از یک مدل پایه فیزیکی در کنار یادگیریِ باقیمانده (Residual Learning) میتواند به مدلهای یادگیری ماشین کمک کند تا با دادههای کم، نتایج قابلاعتمادتر و تفسیرپذیرتری ارائه دهند.
این تحقیق نشان میدهد که در صنایع پیشرفته، هوش مصنوعی بدون در نظر گرفتن اصول فیزیکی حاکم بر ماده، نمیتواند به درستی عمل کند.
منبع: arXiv Machine Learning
