提出了一个称为热力学 AI 的数学框架，它将许多物理启发的人工智能算法统一起来，并将其与热力学系统中的随机波动相结合，以实现利用波动作为一种计算资源的计算范式，从而加速这些算法。该框架使用了新型的构建基块，即随机位（s-bits）和随机模（s-modes），并提供了一些简单的物理体系结构来构建这些设备。

Feb, 2023

本文介绍了一种基于深度学习的方法，用于计算混合现实中用户实时交互引起的（可能是非线性和耗散性的）可变形物体的动态响应，以保证虚拟世界的正确性和真实性。两个具体示例证明了该方法的高效性。

Oct, 2022

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

本文提出使用煞费苦心、模拟非平衡统计力学的方法，通过迭代向前的扩散过程来系统性地破坏数据分布中的结构，并学习一个可以还原数据结构的逆向扩散过程，从而快速学习、采样、评估深度生成模型中的概率。

Mar, 2015

使用具有热力学感知能力的神经网络，通过增加物理系统的测量分辨率并预测其时间演化。该方法使用对抗自编码器将完全有序模型的维数降低到一组隐变量中，并确保这些变量符合先验（例如正态分布）。然后，利用第二个神经网络学习隐变量的物理结构和预测其时序演变，该神经网络称为结构保持神经网络。通过将整合轨迹解码为其原始维度以及由对抗自编码器产生的高维空间，将其与真实解进行比较。该方法在两个流体在圆柱上的例子中进行了测试，液体属性在两个例子之间存在变化。

Feb, 2024

使用条件生成对抗网络（cGAN）的数据驱动模式，无需对基础控制方程有先验知识，直接生成稳态导热和不可压缩流的解，具有高测试精度（MAE＜1％）和最先进的计算性能，并可用于从实验观测中直接学习因果模型。

Sep, 2017

利用前馈神经网络和热力学第一和第二定律，通过从数据中学习物理系统的方法，以及使用所谓的非平衡可逆耦合通用方程 (GENERIC) 的度规辛结构，可以最小化地使用数据。该方法不需要强制任何平衡方程式，因此不需要关于系统性质的任何先前知识。能量守恒和熵耗散是该方法结构的自然副产品。展示了该方法的性能示例，包括守恒和耗散系统以及离散和连续系统。

Apr, 2020

微米级袋状互动分子可以自主学习复杂且波动的环境；通过控制理论、机器学习理论、化学反应网络理论和统计物理学，我们开发了一个通用架构，使得广泛类别的化学系统可以自主学习复杂分布。

Nov, 2023

机器学习算法可以使用系统的微观轨迹作为输入来辨别时间箭头的方向，其性能符合非平衡态统计力学所预测的基本极限。算法的决策过程解释了发现了潜在的热力学机制和相关物理观测量。结果表明，机器学习技术可以用于研究非平衡态系统，并最终揭示物理原理。

Sep, 2019

本研究提供了一个框架，可以推理出机器学习中广泛类别的目标。我们建立了一种形式化的对应关系，讨论了其与热力学之间的关系及其意义。

Jul, 2018