利用神经网络简化世界，构建机器人手臂三维位置的低维状态表示，我们在高维图像中使用先验知识的失真函数学习无监督，并通过加大图像尺寸、添加干扰项和域随机化等手段实现转移学习，检验新先验在表示的稳定性上的贡献。

Sep, 2017

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

该论文提出了一种神经模型，同时基于物理学原理和视觉先验进行推理和预测，通过对粒子的估计预测物理参数，即视觉基础，并在刚体、可变形材料和流体的复杂环境中证明了它的有效性，允许模型在几次观察内推断出物理特性，从而快速适应未见过的场景并进行准确的未来预测。

Apr, 2020

本文综述了一些通过将数据驱动建模与先前的解析知识相结合的监督回归模型，以在具有刚体力学描述的系统动力学建模中提高数据的效率和物理完整性，并分析了刚体力学的各种潜在函数和算子。

Dec, 2020

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

通过运用数值分析理论建立的收敛性测试方法，验证机器学习模型是否准确地学习了某个系统本质的连续动力学过程，成功的模型能够更好地插值和外推，为科学预测提供更精确的数学手段。

Feb, 2022

本论文提出了一种自监督生成建模框架，用于联合学习多模态数据的概率潜在状态表示和相应的动态，并且该方法在机器人学方面有显著的预测和表示质量改进。

Apr, 2022

本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展，它以物理机制为前提，在模型结构、优化器、推断算法和特定领域的应用（如逆向工程设计和机器人控制）等方面将不同的物理先验形式编码成模型，随着跨领域的研究，增强模型精度，提高效率，并对相关学科领域解决长期存在的问题提供可贵帮助。

Nov, 2022

从数据库中无监督地学习高维时间序列的潜在动力学是一个挑战，该论文从物理归纳偏差和学习-识别策略的角度研究了这个问题，并提出一种新颖框架 Meta-HyLaD，用于无监督元学习混合潜在动力学，既包括已知的数学表达式又包括描述未知误差的神经函数，并通过对五个物理系统和一个生物医学系统的广泛实验证据来说明 Meta-HyLaD 整合丰富的先前知识优势并识别其与观测数据之间的差距。

Mar, 2024

本研究针对在数据驱动环境中生成符合物理规律的动态难题，提出了一种新框架，将物理先验条件无缝整合进基于扩散的生成模型中。实验证明，该方法能够高效生成高质量的物理动态，具有显著的鲁棒性，推动AI4Physics领域的数据驱动研究。

Sep, 2024