科学机器学习 SciML ★

是什么

SciML 不是单一技术，而是一组立场：物理规律应当进入模型（硬约束或软约束）， 仿真数据应当被充分利用，科学问题的评价标准应当取代纯 ML 的准确率导向。 本站点收录的 PINN、神经算子、降阶模型、可微分物理都在此伞下。

关键要点

• 两条主线：(a) AI for Science——用 AI 加速科学发现与仿真；(b) Science for AI——用物理结构改进 ML 的样本效率与泛化。
• 与通用 ML 的差异：SciML 更看重样本效率、物理一致性、守恒性、可解释性，而非单纯的任务准确率。
• 工程落地的三个门槛：精度可验证、误差可量化、失效可回退。三者缺一不可。
• 术语边界：SciML ⊃ 物理 AI ⊃ PINN；日常语境中”物理 AI”多指落地工程侧，“SciML”多指学术侧。

常见误区 / 边界

• 不要把”用了神经网络解 PDE”直接等同于 SciML，是否纳入物理约束是分水岭。
• 本领域的论文增速极快，选型时应优先看有公开代码与基准成绩的成果。