Revisione Sistematica Mappa l'Apprendimento Automatico Informato dalla Fisica nella Prognostica e Gestione della Salute

Una revisione sistematica della letteratura pubblicata su arXiv (ID: 2608.10047) esamina l'integrazione dell'Apprendimento Automatico Informato dalla Fisica (PIML) nella Prognostica e Gestione della Salute (PHM). La revisione, che analizza 212 studi, propone uno schema di classificazione in quattro classi per gli approcci PIML: bias osservazionale, bias induttivo, bias di apprendimento e approcci ibridi. Inoltre, categorizza gli studi per compito PHM. La motivazione alla base della revisione è il riconoscimento dei limiti dei modelli di apprendimento automatico puramente basati sui dati, che spesso soffrono di scarsa generalizzazione, mancanza di inferenza causale e limitata interpretabilità. Incorporando la conoscenza fisica precedente nel processo di apprendimento automatico, il PIML mira a mitigare questi problemi, portando a un crescente interesse per la sua applicazione alla PHM. La revisione intende fornire una panoramica strutturata di come il PIML viene utilizzato nel campo, potenzialmente guidando la ricerca e le applicazioni future. Il documento è scritto da ricercatori ed è stato annunciato come una sottomissione di tipo cross su arXiv. La revisione non specifica i nomi degli autori o le affiliazioni nel contenuto fornito. Ci si aspetta che i risultati siano di interesse per ricercatori e professionisti nell'affidabilità industriale, manutenzione e apprendimento automatico.