Физико-информированный ML повышает точность прогнозов в диагностике: обзор 212 работ
Международная группа исследователей представила систематический обзор применения физико-информированного машинного обучения (PIML) в задачах прогнозирования и управления техническим состоянием (PHM). В работе проанализированы 212 научных статей, опубликованных по этой теме.
PHM — это комплекс методов, которые позволяют следить за состоянием сложных систем, диагностировать неисправности и прогнозировать остаточный ресурс. Традиционные модели машинного обучения часто страдают от плохой обобщающей способности, не умеют выявлять причинно-следственные связи и остаются «черными ящиками». PIML решает эти проблемы, внедряя в модель физические знания об объекте.
Авторы обзора предложили классификацию из четырех классов: наблюдательное смещение, индуктивное смещение, смещение обучения и гибридные подходы. Такая схема позволяет структурировать разнородные методы и сравнивать их между собой.
Результаты показали: почти во всех рассмотренных работах PIML обеспечивает более высокую точность прогнозов по сравнению с обычными базовыми моделями. Эффект подтверждается на широком спектре активов — от литий-ионных батарей до подшипников. При этом именно эти два типа объектов встречаются в литературе чаще всего.
В то же время исследователи отмечают, что большинство решений являются узкоспециализированными и трудно переносимыми на другие задачи. Заявления о том, что PIML улучшает обобщение, интерпретируемость или причинное понимание, пока не получили достаточного подтверждения в проанализированных статьях.
В качестве приоритетных направлений для будущих работ называются разработка переносимых архитектур, создание бенчмарков для сравнения стратегий интеграции физики и данных, а также создание моделей, учитывающих неопределенность и пригодных для работы в реальном времени на борту оборудования.
Обзор опубликован в репозитории arXiv и, по мнению авторов, должен помочь исследователям и инженерам лучше ориентироваться в быстро растущей области PIML.
