文章提出了一种基于反应网络的算法来解决统计问题，包括推断环境和最大似然估计等方面，可视为 E.T. Jaynes 的统计力学的统计推断的算法解释。

Apr, 2018

微米级袋状互动分子可以自主学习复杂且波动的环境；通过控制理论、机器学习理论、化学反应网络理论和统计物理学，我们开发了一个通用架构，使得广泛类别的化学系统可以自主学习复杂分布。

Nov, 2023

提出了一个信息论框架，将原子尺度模拟、机器学习和统计力学结合起来，通过建立相图、识别稀有事件、对数据集进行优化、以及进行模型无关的不确定性量化，统一描述了原子尺度建模中的信息相关问题。

Apr, 2024

研究表明，系统动力学响应随机信号的过程可以被解释为其计算环境变量的隐含模型；而模型的效率可以用熵来衡量，因此该研究揭示了信息使用的效率与热力学操作的关联。

Mar, 2012

利用生成模型构建了一个深度学习框架，可以估计活性物质系统中的熵产生速率和概率流量，并将其分解为个体粒子、空间区域和自由度的本地贡献。通过将该方法应用于基于运动引起的相分离的活性粒子的高维系统，验证了该方法的广泛应用性和可扩展性。

Sep, 2023

本研究论文解决了潜在连续时间随机过程的统计推断问题，提出了一种新的可行的推断方案，基于熵匹配框架，并应用于化学反应网络的建模和参数估计。

Sep, 2023

从观察到的噪声数据中恢复动力学方程是系统辨识的核心挑战，我们开发了一种统计力学方法来分析稀疏方程发现算法，它通常通过试错选择超参数来平衡数据拟合和简洁性。在这种框架下，统计力学提供了工具来分析复杂性和适应性之间的相互作用，类似于熵和能量之间的分析。通过将优化过程定义为二级贝叶斯推断问题，将变量选择与系数值分离，并能够通过闭合形式计算后验参数分布，从而建立这种类比。运用统计力学的概念，如自由能和配分函数，在低数据限制下尤其能够量化不确定性，这在实际应用中经常遇到。随着数据量的增加，我们的方法类似于热力学极限，导致明确区分正确和错误辨识的不同疏松度和噪声诱导的相变。这种对稀疏方程发现的观点是多功能的，可以适应各种其他方程发现算法。

Mar, 2024

本文提出了一个基于凸规划对偶性的新的近似方案，使用平滑的快速梯度方法来估计最大化熵的概率分布，同时满足一定数量的被噪声污染的时刻约束，进一步阐述了如何通过该方案来近似化学主方程和解决具有无穷状态和动作空间的约束马尔可夫决策过程的问题。

Aug, 2017

从低分辨率时间数据推断动力学模型在生物物理学中仍然是一个重要的挑战，我们提出了一种方法，利用与潜在扩散过程相关的概率流来推断插值分布之间的自主的非线性力场，通过使用得分匹配来区分力场和固有噪声，我们的方法可以从非平稳数据中提取非守恒力，在应用于稳态数据时学习均衡动力学，无论是添加型噪声模型还是乘法型噪声模型。

Oct, 2023

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