本文介绍了交互网络模型，它能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理，并可以推理多种具有挑战性的物理领域。 报告结果表明，它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹，估计能量等抽象量，自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的，可学习的物理引擎，是处理各种复杂真实世界领域中物体和关系的强大的通用框架。

Dec, 2016

提出了一种分层粒子物体表示和基于分层图卷积的神经网络HRN，可以准确预测和生成复杂碰撞和非刚性变形的物理动力学，具有潜在的在计算机视觉、机器人和计算认知科学领域中使用的下一代物理学预测模型的潜力。

Jun, 2018

提出了一种框架，用于完全无监督地学习潜在的物体属性: 感知-预测网络 (PPN)，该网络由感知模块和预测模块组成，可以纯粹从物体动态的样本中进行端到端的训练，学习的潜在物体属性可以被直接翻译成人类可解释的属性，此模型在物体中心推理和预测任务中具有很高的效能，且具有发现未被充分解释的系统中的相关对象属性的潜力

Jul, 2018

本研究提出了一种无需直接监督对象属性即可实现学习物理场景的物体中心表征的方法，我们的模型通过联合学习感知函数，物理交互函数和渲染函数，可以精确地预测物理变化并具有可操作性的直观物理表现。

Dec, 2018

本文提出DensePhysNet对于机器人物体操纵的物理表示的学习方法，通过动态交互序列和深度预测模型学习密集的像素表示，可以直接解码物理物体属性，并在下游任务中实现更精确和更有效的操纵。

Jun, 2019

该论文提出了一种神经模型，同时基于物理学原理和视觉先验进行推理和预测，通过对粒子的估计预测物理参数，即视觉基础，并在刚体、可变形材料和流体的复杂环境中证明了它的有效性，允许模型在几次观察内推断出物理特性，从而快速适应未见过的场景并进行准确的未来预测。

Apr, 2020

利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

Sep, 2021

本文介绍 ComPhy 数据集，该数据集含有一些移动和交互对象的视频，用于评估模型是否能够理解隐藏的物理性质，实验结果表明，一些当前先进的视频推理模型无法捕捉这些隐藏的属性。此外，本文进一步提出了一种名为 Compositional Physics Learner（CPL）的神经符号框架，该框架将视觉感知、物理特性学习、动态预测和符号执行结合成一个统一的框架，以识别对象的物理特性并预测它们的动态以回答问题。

May, 2022

介绍了通过组合神经网络来学习交互子系统的复合模型的方法及理论依据，并使用 PHNN 来表示系统及其各个子系统，通过物理信息互连结构组合 PHNN 以预测复合系统的动力学行为。

Dec, 2022

本研究解决了人工智能中理解和推理物体隐含物理属性的挑战，如质量和电荷等。在提出的组合物理推理（ComPhy）数据集中，我们介绍了一种新颖的神经符号框架（PCR），该框架能有效推断这些隐含属性，并进行未来和反事实预测，显示出显著的推理能力并能回答复杂问题。

Aug, 2024