提出一种新型的概率编程框架，通过跨平台的概率执行协议直接连接到现有的大规模模拟器，允许通用推理引擎以语言无关的方式记录和控制模拟器内的随机数，并通过后验推断的高度可解释性来演示其技术应用于粒子物理学，提升推断效率。

Jul, 2018

我们提出了概率神经程序 —— 一个编程归纳框架，它允许灵活指定计算模型和推断算法，同时启用深度神经网络。概率神经程序将用于指定神经网络的计算图与加权非确定性选择操作符结合起来，从而既描述了一组决策，又描述了用于做出每个决策的神经网络架构。我们在一个具有挑战性的图表问答任务上评估了该方法，发现相对于基线模型，概率神经程序可以正确执行近两倍的程序。

Dec, 2016

本文从物理场景理解出发，比较了基于直觉物理引擎、基于记忆模型和基于卷积神经网络的场景理解模型，发现基于模拟的模型在人类思维和感知的角度上更胜一筹，并且拥有更好的泛化能力。

May, 2016

本文中，我们探讨了一种方法，能够让智能体装备内部的世界动态模型，并通过运行多个内部仿真（“视觉想象”）来规划新型动作。我们的模型直接处理原始视觉输入，并使用基于目标中心的视觉快照（聚焦）的新颖物体中心预测公式来强制学习物理定律的平移不变性。我们的智能体可以通过随机与不同环境的集合进行交互来收集训练数据，然后可以使用所得到的模型在未见过的环境中规划目标导向的行动。我们展示了我们的智能体可以准确地规划模拟台球游戏中的行动，该游戏需要将球推向目标位置或使其与其他球碰撞。

Nov, 2015

本论文提出了一项基于视觉任务的评估基准，以测试人工系统对于宏观物体、运动、力等物理理解的程度，同时介绍了两个旨在以无监督的方式学习直观物理的深度神经网络系统，并通过与人类数据的比较，对下一帧预测建筑的潜力和限制进行了新颖的结果分析。

Mar, 2018

通过将基于物理的因果推理嵌入机器人的决策过程中，我们可以使机器人任务执行更安全、更可靠，对各种类型的不确定性更具鲁棒性。

Mar, 2024

通过在运用神经网络建立物理仿真器的基础上对不确定因素的模拟，可以提高对机器人状态估计、规划与控制领域的应用性能，本文基于改进的解析刚体模拟器，开发了针对平面推动和球体反弹两种情景的仿真器，并采用神经网络学习模拟不确定因素，与符号式确定性模拟器相结合，使神经网络可具备省资源、通用性高等特性以提高性能。这种将符号式确定性模拟器与可学习、随机性神经网络结合起来的方法在真实标准测试中优于纯解析方法和纯学习方法，相比采用高斯过程技术的方法而言，速度更快，泛化能力更强，能够描述物体轨迹的复杂分布。

Aug, 2018

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

通过引入因果模型和物理仿真能力，提出了一个新颖的概率框架，使得机器人能够感知和评估积木堆叠任务的当前状态，推理出最佳动作，并生成事后的反事实解释。

Aug, 2023

在这篇论文中，我们提出了一种基于物理模拟的任务生成方法，通过定义物体之间的因果物理交互序列来定义物理场景，并使用这些场景作为输入，在物理模拟环境中生成任务。我们通过应用到愤怒的小鸟物理解谜游戏，并使用一系列指标，包括物理稳定性、预期的物理交互可解性和非预期解决方案可解性，对生成的任务进行评估。我们相信，使用我们提出的方法生成的任务可以为对物理推理代理进行细致的评估，从而为更复杂的真实世界应用的代理开发铺平道路。

Aug, 2023