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

通过在强化学习过程中加入物理信息，物理信息的应用已经在许多领域引起了革命性变化。本研究通过综述现有文献，提出了物理信息应用于强化学习的新颖分类法，分析了现有方法的不同特点和关键见解，并通过对核心学习架构和物理融合偏差的识别，进一步对这些方法进行了分类，为更好地理解和应用提供了指导。这一新兴领域有望通过增加强化学习算法的物理合理性、精度、数据效率和在实际场景中的适用性来提升强化学习算法的能力。

Sep, 2023

本文综述了基于直觉物理的深度学习方法在物理推理方面的最新进展和技术。将现有的深度学习技术分为三个方面的物理推理，并将其组织为三种一般的技术方法，提出了该领域的六个分类任务。最后，本文强调了当前领域的挑战并提出了一些未来的研究方向。

Feb, 2022

本文概述了物理相关机器学习在动态系统建模和控制方面的最新进展、基本概念和方法、工具及应用。

Jun, 2023

使用物理信息对经验风险进行正则化可以有利于估计器的统计性能。

Feb, 2024

本文综述了物理信息机器学习在解决复杂物理和生物系统中的应用，重点介绍了使用 PINN 和 PIGN 网络的物理信息神经网络和图神经网络的应用以及其在大规模工程问题中的扩展。

May, 2022

本文综述了机器学习和物理科学之间的接口，包括机器学习的基本概念，如何用统计物理学理解机器学习方法，机器学习方法在粒子物理学、宇宙学、量子物理学、量子计算和化学、材料物理学中的应用，以及加速机器学习的新型计算架构的研究和开发。

Mar, 2019

本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

Mar, 2020

应用深度生成模型通过物理学定理来传递极高复杂物理系统中的不确定性。我们构建出一个隐式变分推断公式，并顺利地运用物理学原理作为模型输出的约束条件。这让模型在面对高成本数据采集以及通常小型训练数据集的物理系统建模时具备了一种可扩展的方法来描述随机输入或观测和物理系统输出的不确定性，并以传输动态为规范示例来验证了方法的有效性。

Dec, 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