本文提出使用基于物理的神经网络重建声场早期部分，实现了准确的重建且维持轻量架构。

Jun, 2023

该论文演示了使用循环神经网络（RNN）作为量子哈密顿量的近似基态变分波函数来表示多体波函数，通过优化变分参数使用随机方法实现。并利用其自回归性质作为有效的物理估计器来计算各种相关物理量。

Feb, 2020

将人工神经网络与神经科学整合可显著提高任务性能，通过将回声状态网络重新设计来模拟大脑听觉系统，实现了实时海波预测，为海洋能源生产提供了一个高效的工具。

Apr, 2024

介绍了一个用于研究有源变形材料设计控制声波的环境，并开发了一种基于深度神经网络的机器学习方法，可以有效地学习声波的动态。该方法可预测和控制散射波能量，在声学中解决了最小化总散射能量的重要问题。

Nov, 2023

通过介绍 Wave-RNN（wRNN）模型，我们展示了脑波的传播和储存，以及它在神经科学和机器学习领域的潜在影响。

Sep, 2023

本文提出了一种新颖的框架，将物理和机器学习方法相结合，用于分析声学信号。该框架包括三种方法：用贝叶斯推断法推断谱声学特性，将神经网络配备前向和反向物理损失的神经物理模型，以及用作基准的非线性最小二乘法。推断的传播系数导致室内冲激响应（RIR）量，可用于带有不确定性的重定位。这一框架的简单和高效在模拟数据上得到了实证验证。

May, 2023

使用 WaveY-Net 混合数据和物理学方法的卷积神经网络，通过学习物理约束和计算磁场得出电场的方式，针对介电光子结构预测电磁场分布以进行性能优化，提供了一种高速、精准和全面的 Maxwell 模拟器替代方案，特别适合于周期性硅纳米结构阵列的全局和局部自由形优化。

Mar, 2022

本文介绍了一种新型的框架，将物理学的科学知识与递归神经网络相结合，来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法，并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质，通过使用科学知识指导构建和学习数据驱动模型，我们证明该方法可以实现更好的预测精度以及结果的科学一致性。

Oct, 2018

在最近的表示学习方法的成功的基础上，我们提出一种基于矩阵分解的技术，将信号分解为满足波动方程约束的组成部分，从而在波动方程约束下利用已知的物理约束进行学习，建立了波动信息学习与信号处理中的滤波理论之间的理论联系，并展示了该方法在结构诊断和预测中常见的模态分析问题上的应用。

Dec, 2023

本文研究语音合成技术，并采用先进的机器学习方法克服了振幅频谱和声学模型过度平滑等局限性，在大规模众包评估中，发现生成性对抗网络和自回归模型表现优于普通循环神经网络。同时，使用相同的自回归声学模型进行评估，Wavenet 声码器优于经典的源 - 滤波器型声码器。尤其是，组合自回归声学模型和 Wavenet 声码器生成的语音波形与声学单元表现出类似的语音质量得分。

Apr, 2018