通过设计合适的损失函数，利用变分逆问题方法，我们提出了一系列学习方法，用于识别动态系统的结构，以了解相互作用代理系统中的新兴行为，能够有效处理高维观测数据，包括一阶和二阶动态系统的观测数据，考虑观测 / 随机噪声、复杂的相互作用规则、缺失的相互作用特征和实际世界观测，在学习方法中固有地提供了降维能力。

Nov, 2023

本论文探讨了利用复杂系统研究自然和人工系统的学习和适应能力，旨在开发能够无需监督学习、自主发展并随时间变得越来越复杂的自主系统。复杂系统被视为理解这些现象的适当框架，因其能够展现复杂性的增长能力。通过理解复杂系统中学习的基本原理，我们希望能够在未来设计和实施更实用的学习算法。该论文的关键贡献有：开发了一个可应用于搜索展现复杂性增长的复杂系统的通用复杂性度量，引入了一种用于研究大规模复杂系统中计算的粗粒化方法，以及开发了一个学习效率度量和一个用于评估学习算法速度的基准数据集。我们的发现大大增进了我们对自然和人工系统学习和适应能力的理解，而且我们的方法为该领域的研究开拓了一个有前途的新方向。我们希望这些发现能激发未来更有效和高效的学习算法的发展。

Jul, 2023

本文概述了将先验物理知识或基于物理建模方法与深度学习相结合的现有方法，并重点讨论了在学习动力系统方面所面对的基本挑战和新兴机遇。

Jul, 2021

本文介绍了一种新的基于 Learning Loss 框架的改进学习算法 LearningLoss++，通过对梯度的精确分析和对多尺度特征的结合实现了对数据的更好利用，提升了在人体姿势估计任务中的性能表现。

Apr, 2021

本文提出一种新的物理学和边界条件意识的局部学习方法，扩展 Embed-to-Control 和 Embed-to-Control 和 Observed 模型，用于学习 Advection-Diffusion Reaction 系统中全局状态变量的局部表示，经过油藏模拟数据训练的模型能够预测系统的未来状态，相对于原始 E2C 和 E2CO 模型，缩短了训练时间并提高了准确性。

May, 2023

本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

Apr, 2022

本文提出了一种可实践的学习框架，能够输出统一的神经网络控制器，具有显著提高任务复杂性和多样性的能力，并使用可微物理学实现训练。实验结果表明，在可微弹簧和材料点方法的模拟、复杂的步态任务和多个机器人设计方案上，我们的学习框架优于强化学习，能够更快地收敛，并且用户可以使用我们系统中训练的统一的神经网络控制器交互式控制软体机器人的运动并在多个目标之间切换。

Jun, 2022

机器学习方法在科学研究中可成为有价值的辅助工具，通过利用学习问题的结构，提出了一种多环境泛化的简化学习模型，该模型能够识别系统的物理参数并实现可解释性学习，展示了竞争性泛化性能和低计算成本，并在物理参数诱导适应和自适应控制等领域得到了有趣应用。

Dec, 2023

本研究提出了一种基于自动微分的物理模型学习方法 AutoODE，该方法能够有效解决在 COVID-19 等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题，实验结果表明，AutoODE 相比于基于深度学习的竞争对手，能够将预测误差减少 57.4%。

Nov, 2020

这项工作介绍了一种对隐藏物理模型的新型增强方法，可以泛化处理系统输入、参数和领域的变化，并展示了该方法在系统发现方面的潜力，可以帮助学习变化后的系统输入、参数和领域配置的隐藏物理。

Jan, 2024