芯耀
105
在处理复杂的工业应用场景时，单纯依赖数据驱动的AI模型（如深度学习模型）或传统的基于物理机理的模型（如基于第一性原理的数学模型），往往会遇到各自难以克服的局限性。纯数据驱动的模型，特别是深度学习模型，通常需要大量的、高质量的、经过人工标注的训练数据才能达到理想的性能。然而，在许多工业场景中，获取充足的标注数据成本高昂且耗时，有时甚至不可行（如罕见故障数据）。
此外，大多数深度学习模型本质上是“黑箱”模型，其内部决策逻辑难以解释，这使得模型的可解释性和在训练数据未覆盖到的极端或未知工况下的泛化能力有时难以得到充分保证。物理机理模型虽然基于明确的物理、化学或工程原理，具有良好的可解释性和在一定范围内的外推能力，但它们往往建立在诸多理想化假设和简化条件之上。因此，这些模型可能难以精确地描述真实工业过程中存在的所有复杂因素、非线性行为、不确定性以及未建模的动态特性。
为了有效克服这些各自的局限性，混合AI范式（Hybrid AI Paradigm）应运而生。它致力于将物理机理模型所蕴含的先验知识（如物理定律、化学反应方程式、工程约束等）与数据驱动模型强大的学习能力和模式识别能力有机地结合起来，实现优势互补、取长补短，从而构建出更准确、更鲁棒、更可信、数据效率更高的工业智能模型。其中，两种具有代表性的技术是物理信息神经网络（Physics-Informed Neural Networks, PINNs）和灰箱模型（Gray-Box Models）。
物理信息神经网络
物理信息神经网络是一种新兴的、富有前景的深度学习方法，它巧妙地将控制目标系统行为的偏微分方程（PDEs）、常微分方程（ODEs）或其他形式的物理定律，作为正则化项或约束条件嵌入到神经网络的损失函数中进行训练。
通过这种方式，神经网络在学习拟合观测数据的同时，也被引导和约束去遵守已知的物理规律。PINNs的核心优势在于，它可以在训练数据稀疏、带噪或者难以获取的情况下，通过引入的物理约束来有效指导学习过程，从而提高模型的预测精度、数据利用效率以及在未见数据上的泛化能力。
例如，在聚合物科学和材料工程领域，PINNs已经被成功应用于模拟材料在加工过程中的流变行为、预测复合材料固化过程中的复杂温度场和应力场分布等具有挑战性的问题。它们还能用于求解正问题（给定参数预测结果）和逆问题（根据观测结果反推未知参数或边界条件）。
灰箱模型
灰箱模型基于一种更为广义和灵活的混合建模思想，试图融合“白箱模型”（White-Box Models，即基于清晰的物理机理构建的、内部结构完全透明的模型）所提供的定性先验知识和结构信息，以及“黑箱模型”（Black-Box Models，即纯粹由数据驱动学习得到的、内部机理不明确或难以解释的模型，如大多数复杂的机器学习模型）所具备的强大的定量数据拟合能力和模式识别能力。
灰箱模型的具体实现方式多种多样。例如，可以利用已知的物理模型来描述系统的主要动态特性或核心行为，而用一个并行的机器学习模型（如神经网络、支持向量回归）来拟合和补偿物理模型未能捕捉到的残差项、未建模动态或非线性部分。或者，利用领域专家提供的物理知识和工程经验来指导机器学习模型的结构设计、特征选择、参数初始化或超参数调整，从而使模型更符合实际物理过程。还可以是将物理模型的输出作为机器学习模型的一个或多个输入特征。
在化工、制药等流程工业中，灰箱模型已经得到了成功的应用，例如在反应过程的建模、软测量、过程优化和先进控制等方面，展现出比纯白箱或纯黑箱模型更优的性能和实用性。
在制造业中，混合AI模型的应用能够带来多方面显著的好处。例如，在只有少量昂贵的实验数据或不完整的现场数据的情况下，通过引入明确的物理约束或结构化的先验知识，可以训练出性能更优、更符合工程实际的预测模型；由于模型的预测结果部分或全部基于可理解的物理规律，因此更容易被工程师和领域专家理解、接受和信任；此外，这类模型在面对训练数据中未曾出现过的新工况或极端条件时，其表现也往往比纯数据驱动模型更为稳健和可靠，因为物理规律的约束有助于防止模型产生不切实际的预测。
这种将数据智能（从数据中学习的能力）与科学原理（已知的物理、化学、工程知识）相结合的趋势，代表了工业AI发展的一个至关重要的方向。它不仅有助于解决工业应用中对模型可靠性、安全性和可解释性的高要求，也为我们更深入地理解和解析复杂工业过程的内在机理、发现新的科学规律提供了全新的视角和强大的工具。
工业智能算网需要为这类混合AI模型的开发、训练、验证和部署提供全面的技术支持，例如提供高效的自动微分能力以方便PINNs中基于物理方程的损失项的计算，以及提供灵活的建模框架和工具链以支持不同类型模型（如物理仿真模块与机器学习模块）的便捷融合与协同工作。
本文节选自《工业智能算网：从工业数据集到新型工业化》第三章第一节
从数据到智能，从概念到落地赋能企业构建AI原生竞争力实现高质量发展
▊《工业智能算网：从工业数据集到新型工业化》
刘伟 秦冲 霍海波
本书系统阐述了工业智能算网（IICN）作为赋能新质生产力的新型数字基础设施的战略蓝图。全书采用从理念到实践的结构，内容要点涵盖IICN的核心理念与特征、关键技术体系、架构设计、实施路径和应用案例，并探讨了面临的技术、经济、组织与人才等挑战。本书旨在为政府部门、行业研究机构和相关企业提供一份严谨、全面的指南，以把握智能工业变革的机遇，推动产业高质量发展。本书通俗易懂，适合工业互联网、智能制造等领域的从业人员阅读，也可供相关领域的研究人员阅读参考。
撰 稿 人：杨健亭责任编辑： 李馨馨审 核 人：曹新宇
