一种介科学引导的新的深度学习建模方法：MGDL

集成物理知识的深度学习建模是当前学术界的研究热点，目前涌现了一些优秀的方法。最著名的是物理信息神经网络（PINN）。PINN将系统的偏微分控制方程的残差和初值/边界条件等集成到损失函数中，从而建立的模型满足由偏微分方程所代表的物理定律的约束。然而，如果系统的关键物理量之间的方程尚未建立，那么PINN无法工作。为了对这类系统进行建模，必须开发新的方法。

中国科学院过程工程研究所郭力等人提出一种介科学引导的深度学习建模方法MGDL（mesoscience-guided deep learning）。介科学是一种处理多层次复杂性的方法，它关注复杂系统中不同层次的介尺度问题，并利用系统主导机制之间的竞争中协调CIC（compromise in competition）原理，将介尺度与系统的宏尺度行为和内在机制联系起来。

在基于相同的系统演化数据建立样本数据集时，与传统的深度学习方法不同，MGDL引入介科学中的竞争中协调原理来处理复杂系统的主导机制及其相互作用。然后将介科学约束整合到损失函数中，以指导深度学习的训练。集成介科学约束的方法有两种，分别为作为损失的正则项和对学习率的修正。由于在建模过程中MGDL使用了基于物理原理的指导和约束，因此提高了模型训练过程的物理可解释性。使用一个鼓泡流化床建模案例对MGDL进行验证，并与传统建模技术进行比较。在更小的训练数据集下，结果表明基于介科学约束的模型训练在收敛稳定性和预测精度方面具有明显优势。MGDL方法可以广泛应用于各种不同配置的深度网络建模。

中国科学院过程工程研究所研究人员提出的MGDL是一种在深度学习模型训练中利用物理背景信息的新策略和新方法。随着介科学的深入研究和广泛应用，MGDL有望应用到更多的复杂系统建模中。