1) Definiuje sie prawa/ograniczenia fizyki istotne dla domeny (rownania rzadzace, zasady zachowania, kontakt/kolizje). 2) Wiedza fizyczna jest wbudowywana w model: jako skladnik funkcji straty (PINN), jako rozniczkowalny symulator w petli uczenia, badz jako fizyczne srodowisko/model swiata. 3) Model jest trenowany na danych (realnych i/lub z symulacji) z jednoczesnym egzekwowaniem ograniczen fizycznych. 4) Wynikowy model wykonuje przewidywania/sterowanie spojne fizycznie i lepiej przenosi sie do rzeczywistosci (istotne dla sim-to-real w robotyce).
Czysto data-driven modele czesto laamia prawa fizyki (niefizyczne przewidywania), wymagaja ogromnych danych i slabo generalizuja poza rozklad treningowy. Physics-native AI wymusza spojnosc fizyczna, poprawia efektywnosc danych i wiarygodnosc predykcji.
Rownania rzadzace, zasady zachowania i ograniczenia domeny wpisane w model (np. jako skladnik straty lub twarde wiezy).
Oficjalna
Siec/model uczacy sie reprezentacji i przewidywan, spojnych z wbudowana fizyka.
Oficjalna
Symulator fizyki, przez ktory mozna propagowac gradienty, umozliwiajacy uczenie „przez” symulacje (opcjonalny, zaleznie od podejscia).
Oficjalna
Backprop przez symulacje fizyki jest kosztowny obliczeniowo i pamieciowo.
Miekkie kary (PINN) nie gwarantuja scislej zgodnosci z fizyka; twarde wiezy sa trudne numerycznie.
Niedokladna fizyka symulacji prowadzi do bledow po przeniesieniu do rzeczywistosci.
Raissi, Perdikaris i Karniadakis formalizuja PINN — wpisanie rownan rzadzacych w funkcje straty sieci.
Upowszechnienie rozniczkowalnych symulatorow (uczenie „przez” symulacje) w robotyce i naukowym ML.
Platformy i modele swiata oparte na wiernej fizyce (physical AI) staja sie fundamentem treningu i sim-to-real dla robotow.
Złożoność czasowa: Zalezna od podejscia (PINN vs rozniczkowalna symulacja). Złożoność przestrzenna: O(model + stan symulacji).
Propagacja gradientow przez symulacje fizyki oraz scisle egzekwowanie twardych ograniczen fizycznych sa najbardziej kosztowne i trudne numerycznie; dochodzi luka sim-to-real.
Miekkie ograniczenia (strata PINN) vs twarde wiezy vs rozniczkowalny symulator.
Kompromis miedzy wiernoscia fizyki a kosztem obliczeniowym.
Np. dynamika ciala sztywnego, plyny (CFD), materialy, kontakt.
Zalezne od podejscia i domeny fizycznej.
Brak routingu — paradygmat modelowania z wbudowana fizyka.
Wsadowe uczenie/predykcja sa zrownoleglone; kroki symulacji czasowej sa sekwencyjne.
Trening z rozniczkowalna symulacja i PINN oraz wielkoskalowe symulacje fizyki sa intensywne obliczeniowo i korzystaja z akceleratorow GPU.
