本期发布术语新词：理数融合（Theory-Data Fusion)。
理数融合（Theory-Data Fusion)
作者：刘晶1,2 石剑宇1 刘鑫刚3 杨文欣1 董永峰1,2 季海鹏1,2
1河北工业大学人工智能与数据科学学院
2高性能轧辊材料与复合成形全国重点实验室
3燕山大学机械工程学院
InfoBox:
研究背景
理数融合（Theory-Data Fusion）是在第四次工业革命背景下，针对复杂工业系统智能化与自主化需求而提出的一种前瞻性智能决策与控制范式。理数融合并非单一技术，而是一个系统性的方法论，其核心在于两大要素的深度协同：理，即代表物理世界确定性规律的物理机理与领域知识，如第一性原理、专家经验、工艺流程等；数，即代表从海量工业数据中学习不确定性模式的数据驱动人工智能模型。理数融合旨在将二者深度、动态、安全、可解释地融合，以实现工业系统的自适应、高可靠与自主进化[1,2]。
历史上，工业智能化的发展主要循着两条并行的技术路线。其一是以物理机理模型为核心的传统工业软件，它基于第一性原理，具有高可靠性和强可解释性的优点，在设计和仿真阶段扮演了不可或缺的角色。然而，当面对工业现场的动态扰动（如原料波动、设备老化、环境变化）时，这类模型的预测精度会急剧下降，暴露出其静态、理想化的刚性缺陷[3]。另一条路线是近年来兴起的数据驱动AI模型，它在模式识别和非线性拟合方面展现了强大能力。但其黑箱特性、决策过程不透明、以及在训练数据范围外的行为不可预测等问题，使其在航空、核电等任务关键型工业场景中难以被完全信任，存在严重的安全隐患。这两种路线的固有局限性，共同催生了将二者优势结合、劣势互补的迫切需求。为高度不确定的工业系统进行精准预测、优化控制和可靠决策，提供一种超越传统方法论的解决方案，正是理数融合研究的核心应用场景。物理机理模型的刚性与AI模型的柔性之间的本质矛盾、知识库的静态知识结构难以适配产线工艺和设备拓扑的动态演化[4]、传统的工业软件系统设计上相互独立，数据交互松散导致的孤岛效应这些当前实现高端工业智能面临的根本性难题，正是理数融合研究致力于解决的核心问题。
研究概况
理数融合是一种针对复杂工业系统智能决策与控制的范式，通过深度、动态、安全、可解释地协同运用物理机理与领域知识（理）和数据驱动的人工智能模型（数），突破单一技术的局限，实现工业系统的自适应、高可靠与自主进化。理数融合将工业知识与AI模型以“双核三机制”方式协同。
双核
知识中枢（理）：以动态工业知识图谱(Dynamic Industrial Knowledge Graph)[5,6]为核心，负责物理世界的结构化认知、逻辑推理与不确定性识别。该图谱不仅能够实时映射物理世界的运行状态，更关键的是，其底层模式能够通过本体扩展引擎，伴随产线升级或工艺变化而自动演化和更新。它承载着物理定律、工艺规程、专家经验等领域知识，并提供强大的逻辑推理和因果分析能力。
计算中枢（数）：以物理引导的混合智能模型(Physics-Guided Hybrid Intelligence Model) 为核心，承担数据驱动的模式识别、预测和补偿计算，并嵌入物理约束。该模型不是通用的黑箱AI，而是通过将物理方程、守恒律等作为硬约束，嵌入到神经网络的损失函数中（例如，基于PINNs技术[7,8,9,10]），并可集成MoE(Mixture of Experts)等架构[11,12]，使每个专家聚焦于特定的物理问题，确保其预测和决策在物理上的一致性和可解释性。
三机制
智能调度机制（靶向激活）：知识中枢识别物理模型失效的不确定性域，并精准按需激活计算中枢进行补偿。智能调度机制的核心功能是解决AI模型在工业中何时、何地、如何介入的问题。知识中枢实时监控工业物理世界状态，并运用其推理能力，精确识别出当前工况中物理模型可能失效或存在高不确定性的不确定性域。一旦识别，智能调度机制便会像指挥官一样，向计算中枢发出靶向激活指令，并提供精确的上下文信息。计算中枢则按需启动最匹配的物理引导智能模型进行补偿计算。这避免了AI模型的盲目运行和资源浪费，确保了AI介入的精准性与有效性[13]。
安全验证机制（双重校验）：计算中枢产生的决策通过知识中枢物理规则和历史数据统计模型的双重校验，确保安全可靠。安全验证机制的核心功能是解决AI决策可信赖、可控制的问题，是理数融合在任务关键型工业场景中落地的关键。计算中枢生成的任何补偿决策，在下发到物理世界执行前，都必须通过严格的双重安全校验。第一重是基于知识中枢的物理规则校验，系统会利用知识图谱中明确的物理定律、工艺安全红线、设备操作规程等硬性约束，对AI决策进行逻辑验证，确保其不违反基本物理原理和工程常识[14]。第二重是基于数字孪生与历史大数据的运行时保护监控，系统会评估决策与历史数据的偏离度，若超出预设的安全阈值，则触发保守策略或人工干预，从而确保AI决策的物理一致性、安全性和可靠性。
协同进化机制（双向闭环）：系统运行结果同时反哺知识中枢的知识更新与计算中枢的模型优化，实现自主学习与持续进化。协同进化机制的核心功能是解决工业智能系统自我学习、持续成长的问题，是实现自主化的根本。系统在物理世界执行决策后，会收集实际的“过程-结果”反馈数据。这些数据会同时流入两个方向，驱动理和数的协同进化：一方面，反馈数据用于优化计算中枢中AI模型的参数和结构，提升其预测精度；另一方面，系统会从这些实践数据中自动挖掘新的规律和模式，并将其提炼为新的知识规则或本体关系，扩充和更新知识中枢的知识图谱。这种“数据→知识→模型→决策→数据”的螺旋式上升，使得整个系统具备了像人类专家一样在实践中不断学习、积累经验并自我完善的能力[15]。
理数融合不仅仅是“机理+AI”的简单叠加，更关注知识与智能在系统层面的动态闭环与安全可信。利用作为理的物理机理与领域知识，能够为作为数的AI模型提供强先验约束和可解释性支撑，有效规避了AI模型的黑箱风险和泛化能力不足的问题。同时，借助数强大的非线性拟合与学习能力，可以对理进行动态校准与补偿，克服了物理模型的刚性缺陷，使其能够精准反映真实工况。这种双向赋能的机制，打破了模型间的壁垒，使系统在可靠性与自适应性之间达到平衡。
未来展望
自工业自动化和信息化浪潮兴起以来，工业智能系统经历了从单一物理模型到数据驱动AI的多轮技术变革，构建高可靠、自适应且可持续进化的复杂系统智能始终。理数融合的提出，正是顺应了工业系统复杂性与不确定性日益增强的时代需求。无论是物理知识的结构化表达，还是数据智能的高效建模，亦或是安全可控的决策闭环，这些理念都指向同一目标——突破单一范式的局限，实现知识与数据、推理与学习的深度协同。
理数融合不仅是方法论的创新，更是工业智能范式的变革。通过“双核三机制”的系统架构，理数融合将物理机理与数据智能有机结合，使工业系统具备了前所未有的自适应性和安全性。随着人工智能、大模型、知识图谱等技术的快速进展，理数融合正不断拓展其理论边界和应用深度，为工业系统赋能更强大的智能决策与自主演化能力。
面向未来，理数融合的研究与应用将持续深化以下方向：
1）普适性与标准化：形成一套通用的理数融合工业软件架构标准与开发框架，降低开发门槛，赋能更多工业领域。
2）强可解释性与因果推理[16]：结合大模型与知识图谱的因果推理能力，实现对复杂工业现象更深层次的理解，并能主动发现未知风险。
3）自主决策与多智能体协同：发展更高级别的理数融合智能体，实现跨区域、跨设备的任务级自主决策与协同优化。
4）鲁棒性与泛化能力：提升在极端条件、小样本、高噪声数据下的模型鲁棒性和跨场景的泛化能力。
理数融合将是推动工业系统从自动化迈向自主化的关键一步，有望从根本上提升制造业的创新能力、生产效率和国际竞争力。
作者介绍
参考文献
[1]Hao Z, Liu S, Zhang Y, et al. Physics-informed machine learning: A survey on problems, methods and applications[J]. arXiv preprint arXiv:2211.08064, 2022.
[2]Willard J, Jia X, Xu S, et al. Integrating physics-based modeling with machine learning: A survey[J]. arXiv preprint arXiv:2003.04919, 2020, 1(1): 1-34.
[3]Kasilingam S, Yang R, Singh S K, et al. Physics-based and data-driven hybrid modeling in manufacturing: a review[J]. Production & Manufacturing Research, 2024, 12(1): 2305358.
[4]Bai J, Mosbach S, Taylor C J, et al. A dynamic knowledge graph approach to distributed self-driving laboratories[J]. Nature Communications, 2024, 15(1): 462.
[5]Buchgeher G, Gabauer D, Martinez-Gil J, et al. Knowledge graphs in manufacturing and production: a systematic literature review[J]. IEEE Access, 2021, 9: 55537-55554.
[6]Zhou B, Shen X, Lu Y, et al. Semantic-aware event link reasoning over industrial knowledge graph embedding time series data[J]. International Journal of Production Research, 2023, 61(12): 4117-4134.
[7]Raissi M, Perdikaris P, Karniadakis G E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational physics, 2019, 378: 686-707.
[8]Chen Z, Liu Y, Sun H. Physics-informed learning of governing equations from scarce data[J]. Nature communications, 2021, 12(1): 6136.
[9]Cai S, Mao Z, Wang Z, et al. Physics-informed neural networks (PINNs) for fluid mechanics: A review[J]. Acta Mechanica Sinica, 2021, 37(12): 1727-1738.
[10]Cuomo S, Di Cola V S, Giampaolo F, et al. Scientific machine learning through physics–informed neural networks: Where we are and what’s next[J]. Journal of Scientific Computing, 2022, 92(3): 88.
[11]Jacobs R A, Jordan M I, Nowlan S J, et al. Adaptive mixtures of local experts[J]. Neural computation, 1991, 3(1): 79-87.
[12]Fedus W, Zoph B, Shazeer N. Switch transformers: Scaling to trillion parameter models with simple and efficient sparsity[J]. Journal of Machine Learning Research, 2022, 23(120): 1-39.
[13]Zou Z, Meng X, Psaros A F, et al. NeuralUQ: A comprehensive library for uncertainty quantification in neural differential equations and operators[J]. SIAM Review, 2024, 66(1): 161-190.
[14]Kuznietsov A, Gyevnar B, Wang C, et al. Explainable AI for safe and trustworthy autonomous driving: A systematic review[J]. IEEE Transactions on Intelligent Transportation Systems, 2024.
[15]Bolender T, Bürvenich G, Dalibor M, et al. Self-adaptive manufacturing with digital twins[C]//2021 International symposium on software engineering for adaptive and self-managing systems (SEAMS). IEEE, 2021: 156-166.
[16]Wiggerthale J, Reich C. Explainable machine learning in critical decision systems: ensuring safe application and correctness[J]. AI, 2024, 5(4): 2864-2896.
计算机术语审定委员会及术语平台介绍：
计算机术语审定委员会(Committee on Terminology)主要职能为收集、翻译、释义、审定和推荐计算机新词，并在CCF平台上宣传推广。这对厘清学科体系，开展科学研究，并将科学和知识在全社会广泛传播，都具有十分重要的意义。术语众包平台CCFpedia的建设和持续优化，可以有效推进中国计算机术语的收集、审定、规范和传播工作，同时又能起到各领域规范化标准定制的推广作用。新版的CCFpedia计算机术语平台(http://term.ccf.org.cn)将术语的编辑运营与浏览使用进行了整合，摒弃老版中跨平台操作的繁琐步骤，在界面可观性上进行了升级，让用户能够简单方便地查阅术语信息。同时，新版平台中引入知识图谱的方式对所有术语数据进行组织，通过图谱多层关联的形式升级了术语浏览的应用形态。
点击“阅读原文”，加入CCF。