工业大数据分析之道：机理与数据分析的知识融合

大数据建模

郭朝晖 | 文

        数据与机理

                                                 融合

算法

开 篇

原文自公众号【蝈蝈创新随笔】,已获郭老师授权, [遇见数学]特此感谢支持!

郭朝晖

郭朝晖博士，教授级高工，宝钢中央研究院首席研究员。曾担任中国工业与应用数学学会常务理事、副理事长。

今天中午，两位曾在宝钢工作过的年轻朋友约我喝茶，谈起工业大数据建模问题。期间我谈到一个体会：领域专家往往鄙视数据模型，而数据分析师则以为只要有了数据就可以解决问题、不愿意花功夫了解机理。

我认为：工业数据建模的真正出路是数据与机理的融合：机理主要解决的是定性的问题，而数据是要解决定量的问题，两者无法相互代替。没有机理，难以判断模型的对错、适用范围的大小、模型的可靠性不会太高；没有数据，我们难以给出定量的结果。直接从机理出发的建模，不适合复杂的模型：因为数据不足以保证模型的准确和可靠性。

 

然而，关键的问题是如何融合起来。

我见过很多人有这样的思考习惯：谈机理的时候用的是领域的术语、谈数据分析时用的是数据分析的术语——两种知识在同一个人的脑子里都融合不起来，又怎么能在建模过程中融合起来？

 

我的经验是：要进行这种融合，首先是学会用数学的语言，描述对机理的定性认识。比如，在材料学领域，人们强调多种强化机制的时候，往往意味着强化机制是“可加的”；析出物长大意味着其强化作用是“非线性的”；析出物的互溶意味着两者的强化作用“不可加”。工艺能够影响析出，意味工艺和成分有“交互作用”。两种元素形成化合物时，各自线性回归的系数含义是不一样的：过剩一种反映的是该元素自身的作用，而不足的一种反映的是化合物的作用......这样，就把对机理的认识，转化成数学的语言。把两类知识在人的脑子里融合起来，并在建模的过程中体现出来。这样，就自然而然地体现了融合。

 

然而，有的人认为：复杂的机理模型是“高大上的”；另一些人则认为：复杂的算法才是“高大上的”。他们在各自的领域内，都可以称为权威人士，很有发言权。但在我看来，能够把复杂问题拆分成若干简单的问题，让机理和数据分析融合起来，才是“高大上的”。

(完)

「予人玫瑰, 手留余香」

转发既是支持和帮助, 感谢感谢!