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

本文提出了一种基于端口哈密顿形式的神经网络模型用于学习非自主系统中的动态学，能够高效地恢复非线性物理系统的动力学，时间依赖力和耗散系数，并能够学习和预测混沌系统，如 Duffing 方程。

Jul, 2021

利用哈密尔顿图神经网络 (HGNN) 直接从物理系统轨迹学习系统动力学，推断能量泛函的根本方程，并从物理系统轨迹中透明地发现相互作用定律。

Jul, 2023

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

本文提出了一种基于输出误差 Hamiltonian Neural Network (OE-HNN) 建模方法，以解决带有输入和嘈杂状态测量的实物系统建模的问题，并扩展了 HNNs 的广义 Hamiltonian 理论，演示了此方法相对于传统的 HNNs 在建模性能方面的卓越优势。

May, 2023

本文介绍了哈密顿生成网络 (HGN) 和神经哈密顿流 (NHF)，这是第一种能够从高维度观察中连续地学习哈密顿动力学而无需限制性条件的方法，它能够可靠地从机器学习的角度解决很多问题。

Sep, 2019

使用结构和对称性的 Hamilton 神经网络预测非线性系统从秩序到混沌的相空间轨迹，以亨农 - 海尔斯系统为例进行实证研究，该技术的实用性和混沌广泛存在性启示着广泛的应用前景。

Nov, 2019

使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统，并提出了一种结构，将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合，可以在整个参数空间内预测动力学，保留哈密顿方程以及相空间的辛结构。同时，利用神经网络的高维非线性能力，结合 Long Short Term Memory 网络进行判断嵌入定理的实现，构造系统的延迟嵌入，并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效，并且即使在较长时间内也能提供准确的预测结果。

Jul, 2023

本文通过应用 Hamilton 神经网络来学习和利用物理系统中保守量的对称约束，通过适当的损失函数来实现周期坐标的强制，从而在简单的经典动力学任务中实现了更高的准确性，进而拟合出网络中的隐向量的解析式，从中发现利用了保守量，如角动量。

Apr, 2021

本文提出了一种名为对称循环神经网络的学习算法，其可以从观察到的轨迹中捕获物理系统的动力学，并通过神经网络模型系统的哈密顿函数，结合较为复杂的多步训练和初始状态优化来解决哈密顿系统所涉及的数值问题，从而成功的处理包括噪声和复杂系统在内的哈密顿系统及其他动力学系统。并提出如何用扩展的 SRNN 集成方案来处理像弹球这样的非常振动力学系统。

Sep, 2019