本文运用Rao-Blackwellization的概念，通过物理信息来提高人工神经网络的预测能力。利用基于物理条件的充分信息，将误差范数和改进的证明从原始统计概念转化为确定性概念。该策略应用于材料建模，并通过识别屈服函数、弹塑性钢模拟、寻找准脆性损伤驱动力和橡胶实验的例子进行了说明。充分的物理信息被应用，例如不变量、最小化问题的参数、尺寸分析、同性和可微性。证明了如果信息足够丰富，直观的信息积累可以带来改进，但是不足或多余的信息可能会导致损害。文章探讨了在训练数据集、网络结构和输出过滤器方面改善人工神经网络的机会。通过减少噪声、过拟合和数据要求，即使是粗略的初始预测也可以显著改进。
