本文提出了一种使用神经网络来参数化任意 Lagrangian 的 Lagrangian 神经网络（LNNs），该方法不需要标准坐标，因此可适用于标准动量未知或难以计算的情况，并且在各种任务中产生遵守能量守恒条件的模型，通过在双摆和相对论粒子上的测试表明，该方法可用于建模且不会损耗能量，还可以应用于图形和连续系统，并证明其用于一维波动方程。

Mar, 2020

我们介绍了一种用于训练动力学系统的保守型物理信息神经网络和深度算子网络的方法，该方法利用基于投影的技术将通过神经网络求解器学习到的候选解映射到不变流形上。我们证明了在数学科学的几个实际问题中，相比于非保守型方法，精确保守型的物理信息神经网络求解器和深度算子网络在性能上有巨大的优势。

Nov, 2023

研究物理启发的神经网络的诱导偏差及其应用。表明与常规认识相反，通过直接建模加速度避免人工坐标系的人工复杂性，而不是辛结构或能量守恒，改善了 HNN 的广义性能。在实际中，通过放松这些模型的诱导偏差，可以在能量守恒系统上匹配或超过其性能，同时显著提高非守恒系统上的性能。作者将这种方法扩展到通用 Mujoco 环境的转换模型构建中，展示了我们的模型可以适当地平衡诱导偏差与需求灵活性，从而实现基于模型的控制。

Feb, 2022

本文调查了 10 种最新的节能神经网络模型，并比较了它们在 4 个物理系统中的性能，指出了利用这些节能模型设计基于能量的控制器的可能性。

Dec, 2020

本研究利用 Hamilton 力学来为神经网络提供更好的归纳偏差，使其能够在自我监督的状态下学习并遵守物理中的守恒定律；研究表明我们的模型在能量守恒等问题上具有更快的训练速度和更好的泛化性能，并且是一个完全可逆的时间模型。

Jun, 2019

本文提出了一种使用提高了的积分方案的 Hamilton 神经网络，结合使用深度隐藏的物理模型来对保守系统进行数值模拟的方法，可以成功处理低采样率、嘈杂和不准确观测值。

Apr, 2022

本文提供了一种改进的 cPINN 算法用于构造非守恒形式的双曲标量守恒律例子中的 Riemann 问题的弱解，并使用深度学习算法在保守和非保守形式以及临界和非临界状态下解决了该问题。

May, 2023

利用前馈神经网络和热力学第一和第二定律，通过从数据中学习物理系统的方法，以及使用所谓的非平衡可逆耦合通用方程 (GENERIC) 的度规辛结构，可以最小化地使用数据。该方法不需要强制任何平衡方程式，因此不需要关于系统性质的任何先前知识。能量守恒和熵耗散是该方法结构的自然副产品。展示了该方法的性能示例，包括守恒和耗散系统以及离散和连续系统。

Apr, 2020

神经算子是在科学机器学习中对复杂物理系统建模的有效工具，而保守定律编码的神经算子则通过自动满足保守定律来提高学习效果，特别是在小数据情况下。

Dec, 2023

利用拉格朗日和哈密顿力学与网络训练来将物理学纳入网络中，以模拟具有耗散动力学的系统，本研究使用莫尔斯 - 费希巴赖格朗日方法模拟耗散系统，并通过网络训练数据表明该方法能够实现系统的正反向演化。

May, 2024