物理引导神经网络

用多物理残差约束保证预测的物理一致性，在小样本工业数据下实现高泛化。

Chunyan, Zeng · Gao, Xinqin · Xueqi, Yang · Jiarong, Qiu · Tong, Xinxing

Materials Science in Semiconductor Processing 2026

参数信息

预测精度提升

>28.9 %

缺陷评分改善

10 %

技术优势

预测有物理一致性

将胡克定律、傅里叶热传导和欧拉-伯努利梁理论的残差约束加入损失函数，保证输出不会违背基本物理规律。

少数据也学得动

物理先验提供额外监督信号，使模型在工业小样本条件下仍然能训练出高泛化能力。

调参不再怕波动

鲁棒贝叶斯优化将模型损失融入采集函数，在制造波动下仍能找到稳定的最优参数组合。

应用场景

• 光伏硅片制造：用预测和调参替代试切，直接减少多线切割的废片和停机。
• 精密加工：把线弓变形等物理机制嵌入模型，提升精密切割参数的可控性。
• 智能制造：提供从预测到调参的闭环，让产线在波动下自主寻优。
• 质量预测：用物理约束提升预测可解释性，使质量预测在少数据下更可信。