Nature评论：机器学习的物理启示录——隔壁的另一条机遇之道( 三 ) 老话说：隔行不取利。但时过

事实上，统计力学和机器学习领域，自古以来就有着很强的耦合性，以及丰富的互动历史，而统计力学和深度学习交叉点的最新进展表明，这些互动有望会进一步繁衍生息，并最终为我们深度学习的理论研究和可解释性，提供振奋人心突破的可能！
2
大家都是如何结合物理学的
从实际应用的角度来看，深度学习有着“大力出奇迹”的属性。只要有足够多的数据和足够复杂的神经元结构，很多实际生活中和物理学中的“百年未解之谜”都能迎刃而解。比如流体力学、高能物理学或天气预报。
例如在Christian等人发表在Nature的工作《Deeprecurrentopticalflowlearningforparticleimagevelocimetrydata》中，他们就提出了一种用来学习物理位移场（displacementfields）的端到端深度学习模型。其重点关注了粒子图像测速（PIV）的物理性质和动态特点。

文章图片
PIV是实验流体动力学中的一种核心的关键技术，它在汽车、航空航天和生物医学工程等多种应用中具有至关重要的意义。目前的PIV数据处理方法都是纯手工设计的，其泛化能力和估计的因素受到了开发人员的限制，其中也有不少需要手动设置的参数，其适用范围和大规模应用受到极大的挑战。