本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

Feb, 2019

通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

Sep, 2023

研究使用一种任意精度的数值积分器得到的解集，进行人工神经网络训练，以提供在固定计算成本内且比现有方法快 1000 万倍的精确解，从而取代现有的数值解析器，可以用于解决包括黑洞二元系统和密集星团核心崩塌等多体系统中的复杂计算，并解决了三体问题长期存在的计算难题。

Oct, 2019

本文介绍了一种端到端的无监督深度学习框架，基于录制的视频可以揭示物体运动的明确控制方程，在物理坐标系中建立其物理规律，并通过数值积分器和稀疏回归模块，同时解决了文献中尚无现有方法适用的问题，并成功地应用于几个动态系统的记录。

May, 2022

准确的动态模型对于许多机器人应用至关重要。该研究采用基于机器学习技术（如神经网络）的 “黑盒子” 方法，在一个真实的六自由度操作器上比较了不同的神经网络架构和超参数选择策略，证明级联神经网络在准确度和性能方面表现最佳。

Mar, 2024

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

通过将系统嵌入笛卡尔坐标并使用拉格朗日乘子显式地强制执行约束，本文证明了相较于使用广义坐标来编码系统约束的方法，使用笛卡尔坐标可以在准确度和数据效率方面提高 100 倍。

Oct, 2020

该研究探讨了使用神经网络进行机械现象端到端长期预测的有效性，结果表明这种方法可以在一些物理参数未知的情况下，优于其他方法，同时还可以输出结果的分布来捕获数据的不确定性，从而展示了用于不需要明确建模基本物理规律的传感器数据进行可行的长期预测的可能性。

Mar, 2017

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

使用特殊的神经网络，将 Social Force Model 嵌入结构，提高人类运动的预测精度和安全性，解释可行，且具有广阔的应用前景和实验支撑。

Jun, 2020