Главная / Технологические фронты / Физически информированное машинное обучение в машиностроении

Физически информированное машинное обучение в машиностроении

Модели машинного обучения, в которые встроены физические законы и уравнения.

В 2025 году направлению посвящено 3 151 работа, в 2020 году — 187 работ; доля работ направления в корпусе с 2020 по 2025 год выросла в 14,9 раза.

Публикации по годам

Скачать данные в CSV

Кто лидирует, 2021–2025

Страны по вкладу в работы направления за 2021–2025 годы (6 534 работы). Счет дробный: каждая работа делится между авторами и их странами. Для 30 % авторского вклада страна в данных не указана; доли считаются от всех работ.

Организации

Россия

За 2021–2025 годы — 59 работ с участием российских организаций; по дробному вкладу 14-е место среди 105 стран. Больше всего работ у организаций: Skolkovo Institute of Science and Technology (9), Scientific Research Institute of Polymer Material (Russia) (4), Bauman Moscow State Technical University (4), Penza State University (4), Peter the Great St. Petersburg Polytechnic University (3).

Ключевые работы

Наиболее цитируемые работы 2015–2025 годов, среди них до двух обзоров. Заглавия — на языке оригинала; аннотации не приводятся, ссылки ведут к публикациям.

1. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 2018. Цитирований: 18 046. DOI
2. Physics-informed neural networks (PINNs) for fluid mechanics: a review. Acta Mechanica Sinica, 2021. Цитирований: 1 934. DOI
3. Understanding and Mitigating Gradient Flow Pathologies in Physics-Informed Neural Networks. SIAM Journal on Scientific Computing, 2021. Цитирований: 1 775. DOI
4. When and why PINNs fail to train: A neural tangent kernel perspective. Journal of Computational Physics, 2021. Цитирований: 1 280. DOI
5. Physics-informed neural networks for high-speed flows. Computer Methods in Applied Mechanics and Engineering, 2019. Цитирований: 1 252. DOI
6. A physics-informed deep learning framework for inversion and surrogate modeling in solid mechanics. Computer Methods in Applied Mechanics and Engineering, 2021. Цитирований: 1 239. DOI
7. Physics-Informed Neural Networks for Heat Transfer Problems. ASME Journal of Heat and Mass Transfer, 2021. Цитирований: 1 231. DOI
8. NSFnets (Navier-Stokes flow nets): Physics-informed neural networks for the incompressible Navier-Stokes equations. Journal of Computational Physics, 2020. Цитирований: 1 179. DOI
9. Conservative physics-informed neural networks on discrete domains for conservation laws: Applications to forward and inverse problems. Computer Methods in Applied Mechanics and Engineering, 2020. Цитирований: 1 140. DOI
10. Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations. arXiv (Cornell University), 2017. Цитирований: 978. DOI

Как считали

Корпус — научные работы с 2010 года по 185 темам OpenAlex, отнесенным к машиностроению (перечень тем по 11 слоям); выгрузка OpenAlex — август 2026 года, метаданные распространяются по лицензии CC0. Учтены работы с аннотацией, в заглавии или аннотации которых встречаются термины направления. Доля — число работ направления на 100 тыс. работ корпуса с аннотацией за тот же год: так рост корпуса в целом не завышает рост направления. 2026 год неполный и в ряды не входит.

Искомые термины:

physics informed · physics guided · physics based machine learning

Ограничения. Термины ищутся только на английском языке, поэтому работы на русском и других языках без английской аннотации недоучтены. Работы без аннотации в подсчет не входят. Классификация тем OpenAlex автоматическая и содержит ошибки. Число работ отражает интерес исследователей и не измеряет внедрение в производство.

Обновлено 04.11.2026