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

本研究提出使用可微的物理引擎在行动条件下的视频表示网络中学习物理潜在表示。我们使用监督和自监督学习方法来训练我们的网络，并确定物理属性。实验中，我们演示了我们的网络可以从视频和行动序列中学习编码图像并识别物理属性，我们还比较了我们的受监督和自我监督方法的准确性，并展示了我们的方法预测未来视频帧的能力。

Sep, 2020

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

本文介绍了Physion这一用于评估视觉算法理解真实世界物理动态能力的数据集和基准测试，通过对一系列模型的基准测试发现，生成对象中心表征的视觉算法通常优于未生成该表征的算法，但仍远远落后于人类的表现。我们公开发布了所有数据和代码，以便全面重现这一基准测试，并能够系统地评估视觉算法理解物理环境的进展。

Jun, 2021

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

本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

Apr, 2022

利用物理导向神经网络，仅使用测量的力位移数据进行训练，实现对非线性材料的内外部变量的预测，揭示材料的本质，从而实现可解释人工智能。

Aug, 2023

通过物理信息利用Rao-Blackwellization的概念来改善人工神经网络的预测，提出的策略应用于材料建模，并通过识别屈服函数、弹塑性钢模拟、脆性破坏驱动力识别和橡胶实验的示例进行了说明。通过使用足够的物理信息，例如不变量、最小化问题的参数、尺度分析、各向同性和可微性，证明了直观增加信息如何在物理上具有足够的改善作用，但不充分或多余的信息如何导致损害。还探讨了通过训练数据集、网络结构和输出过滤器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，即使是粗糙的初步预测也可以显著提高。

Nov, 2023

本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs在理想数据情况下胜过了等效的无信息神经网络（NNs），在10个线性间隔和10个均匀分布的随机训练点上的准确度分别提高了18倍和6倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs相对于NNs的准确度提高了9.3倍和9.1倍，分别对应于67个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择FPGA作为部署计算的基板。鉴于此，我们使用了一台PYNQ-Z1 FPGA进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

Jan, 2024

我们介绍了一种高效的机械神经网络(MNN)训练方法，该方法通过机械模拟的现场反向传播实现了在MNN中获取准确梯度信息的能力，从而成功地训练了MNN并实现了高精度的回归和分类任务，同时展示了MNN的重训练性和鲁棒性。我们的研究结果为机械机器学习硬件和自主自学材料系统铺平了道路。

Apr, 2024