随机热力学是将经典热力学的概念（如功、热以及熵的产生）扩展到非平衡集合的个体轨迹的框架，主要应用于单胶体颗粒、聚合物、酶和分子电机、小型生化网络以及热电器件等系统中，各种波动定理限制着功、热和熵产生的概率分布，并可以通过一个主定理来规定。

May, 2012

本文通过 Landauer 原理将热力学与信息学相互关联，从而提出信息保存作为热力学的基本原则，建立了温度无关的热力学基础理论，并通过该理论研究了量子引擎最大效率和状态转换等问题。

May, 2018

该论文研究了如何使用局部结构设计热力学的好的近似框架，并阐述了广义信念传播算法如何求解自由能、熵和变分自由能的局部变分原理。

Jul, 2022

本文介紹了通過 Langevin 方法計算分子 N 體系統樣本平均值的計算方法，提出了一種具有較高精度的方法減少樣本抽樣的錯誤，並顯示此方法在分子模擬中具有高效性和簡易性。

Mar, 2012

通过随机复合动力学，我们研究了多自由度随机系统中的多项式随机过程，通过单粒子分布引导出的 Boltzmann 分布。通过 Monto Carlo 模拟和实验数据验证了这种机制，并推测通过这种机制可以自然产生临界状态和分层结构。

Jul, 1996

使用 q - 形式的广义对数和指数函数，将 Rényi 熵和 Tsallis 熵统一起来并提出了 Sharma-Mittal 测度，进而探究了其相关性，并且发现另一种可能的扩展缺乏广义热力学的伪可加性和其他相关性质。

May, 2005

研究了长程相互作用系统的统计和热力学基本性质，证明了系统的微、正则系综在高温下是等价的，并使用 Gaussian concentration bound 对正则系综与微正则系综的热力学性质差异进行了界定。

Jun, 2019

通过学习物理系统中热力学量的 Boltzmann 机器，通过自发的学习机器，我们训练了 Boltzmann 机器， 并通过其生成的自旋状态检验热力学可观测量与直接 MC 采样的差距，证明了 Boltzmann 机器能够忠实地再现物理系统的可观测量，并观察到随着系统接近临界状态需要更多的神经元以获得准确的结果。

Jun, 2016

提出了一种从统计意义上区分事物的理论，着重考察了马尔可夫毛毯对于自组织至非平衡定态的影响，并提供了一种贝叶斯力学用于自主或活动的事物，该理论涵盖量子、统计和经典力学，并可能提供生命粒子的形式化描述。

Jun, 2019

利用前馈神经网络和热力学第一和第二定律，通过从数据中学习物理系统的方法，以及使用所谓的非平衡可逆耦合通用方程 (GENERIC) 的度规辛结构，可以最小化地使用数据。该方法不需要强制任何平衡方程式，因此不需要关于系统性质的任何先前知识。能量守恒和熵耗散是该方法结构的自然副产品。展示了该方法的性能示例，包括守恒和耗散系统以及离散和连续系统。

Apr, 2020