物理インフォームド機械学習（Physics-Informed Machine Learning）の新たなアルゴリズムがAIP Advances誌に掲載されました。AIが複雑なデータセット処理時に物理法則を遵守するよう設計されており、流体力学や気候モデリングにおいてより正確な予測を可能にします。
従来の機械学習アルゴリズムは大量のデータからパターンを学習しますが、物理的な制約を考慮しないため、現実世界では起こりえない予測を出力することがありました。物理インフォームドニューラルネットワーク（PINN）は、支配方程式（governing equations）をニューラルネットワークのトレーニングに直接組み込むことで、この問題に対処します。これにより、スパースでノイズの多いデータからでも流れを再構築できるようになります。
この手法は気象・気候プロセスのエミュレーション、ダウンスケーリング、予測に成功裏に適用されており、物理的整合性の向上、トレーニング時間の短縮、データ効率の改善、汎化性能の向上といった成果を上げています。Hacker Newsでは「科学シミュレーションでのAI活用の好例」として評価されています。
主要な方法論的進歩には、物理インフォームドニューラルネットワーク、オペレーター学習、ハイブリッドモデリング、確率的アプローチなどがあり、それぞれデータ不足、物理的整合性、高次元性、計算コストといった従来手法の限界に対応するよう設計されています。気候変動予測や極端気象現象のシミュレーションなど、人類の喫緊の課題に対するAIの貢献が期待される分野です。