本研究以人类物理推理过程为模板，建立了一种神经网络架构，旨在通过表示学习的方式，使神经网络在实验数据的基础上为科学发现提供更具一般性的工具，并在玩具实例中应用该方法，得出相应结论。

Jul, 2018

用深度学习方法建模复杂现象，以海表温度预测为例，展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型，并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。

Nov, 2017

大规模机器学习模型在语言的通用理解、翻译和生成方面的最新进展，给医学、机器人学和科学探索等多个领域带来了影响。然而，这些大语言模型因为其训练所使用的大型语料库的特点，存在无法处理一些特定问题，如高级数学。本文针对大语言模型无法进行物理任务推理的问题进行了研究，并证明了通过从物理模拟的反馈中增强它们的上下文，可以改进它们推断物理系统参数的能力，而无需重新训练。

Dec, 2023

我们提出了一种因果学习模型，通过因果推断和干预研究物理现象的因果关系，并加强（或削弱）对潜在物理过程模型的信心。

Sep, 2023

机器学习方法在科学研究中可成为有价值的辅助工具，通过利用学习问题的结构，提出了一种多环境泛化的简化学习模型，该模型能够识别系统的物理参数并实现可解释性学习，展示了竞争性泛化性能和低计算成本，并在物理参数诱导适应和自适应控制等领域得到了有趣应用。

Dec, 2023

介绍了一种算法无关的可解释的替代建模方法，以评估终身学习算法的潜在特性，并通过对合成数据的实验验证了该方法的有效性。

Jul, 2022

本文探讨了物理信息神经网络和解释性人工智能的方法，通过对机械数据的训练，使用主成分分析法解释神经网络的高维表示，并能为新材料的数值和分析闭合形式解决方案提供有力的支持。

Apr, 2021

本文综述了基于直觉物理的深度学习方法在物理推理方面的最新进展和技术。将现有的深度学习技术分为三个方面的物理推理，并将其组织为三种一般的技术方法，提出了该领域的六个分类任务。最后，本文强调了当前领域的挑战并提出了一些未来的研究方向。

Feb, 2022

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

本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

Feb, 2019