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

本文将伪哈密顿神经网络方法扩展到偏微分方程，生成包含三个神经网络的模型，分别模拟代表守恒、耗散和外力的项，并包括可学习的离散卷积算子，数值结果表明 PHNN 的卓越性能。此外，由于 PHNN 模型由三个有不同物理解释的部分组成，反演时可以分别研究每个部分，具有良好的泛化能力。

Apr, 2023

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

基于 Port-Hamiltonian 形式主义，我们开发了适用于复杂物理系统的机器学习归纳偏差，以构造满足热力学原则（能量守恒，非负熵产生）的学习物理。

Nov, 2022

建议了三种具备可加性可分性的 Hamilton 神经网络模型，通过减少状态变量之间的复杂性，更有效地回归 Hamilton 的向量场。

Sep, 2023

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

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

提出一种有效且轻量级的学习算法 —— 辛泰勒神经网络（Taylor-nets），用于基于稀疏、短期观察进行连续、长期预测复杂的哈密顿动态系统。该算法基于一种新颖的神经网络架构，它包含两个嵌入对称 Taylor 级数展开形式术语的子网络，并将四阶辛普勒积分器与神经 ODE 框架相结合，以学习目标系统的连续时间演化，同时保持其辛结构。在较小的训练数据、短训练周期（预测周期的 6000 倍）的情况下，该模型表现出了独特的计算优点，具有较高的预测精度、收敛速度和鲁棒性。

May, 2020

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

建议了一种物理约束学习方法，将强大的学习工具与可靠的物理模型相结合，通过高斯过程对观测到的数据进行处理，并将分布式 Port-Hamiltonian 模型与其物理约束相关联，以学习系统的动力学，并进行不确定性量化，并且保留了 Port-Hamiltonian 系统的组合性质。

Jun, 2024