在智能科学机器学习（SciML）领域，大型语言模型（LLM）代理能够通过自动评分（通常是误差指标）发现替代模型并选择一个。然而，低误差并不意味着预测的场满足力学中重要的物理条件，例如边界条件、叠加性、刚度缩放或因果关系。
为此，我们引入了物理审计的智能科学机器学习（PA-SciML），这是一种以验证为首的工作流程。该工作流程在搜索之前固定评分评估器，推导可审查的机器可检查物理要求，检查每个训练候选模型的输出，并在没有参考解场的情况下单独搜索规定的输入范围或测量的载荷历史跨度，以寻找高违例案例。
只有在满足规定检查的情况下，替代模型才会被报告为已验证。在启用的情况下，该工作流程还会在训练之前添加建议性的数值探测，并一次测试一个建模变更，以记录哪些孤立的编辑与评分提高相关联。
在报告的计算固体力学数值示例中，静态弹性运行选择的替代模型在验证误差上低于仅基于误差的基线，同时两个选定模型都通过了常见的线性弹性检查。
在瞬态弹性动力学运行中，具有类似均值误差的仅基于误差的基线未通过更严格的因果关系检查，因为它对加载历史的未来部分做出了反应，而所选替代模型则通过了规定的检查。
主要区别在于每个候选模型在预测场上的物理证据，而不是更丰富的综合评分。
博主点评： PA-SciML通过引入物理审计机制，显著提升了智能机器学习模型在物理验证方面的可靠性。这种方法不仅强调了模型的预测准确性，更加关注模型是否满足基本的物理原则，具有重要的实践意义和研究价值。