本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

Feb, 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

这篇论文提出了一种利用深度神经网络和数值分析相结合的机器学习方法，用于从数据中识别非线性动态系统，以此预测未来状态和识别吸引基。在多个基准问题中，论文证明了该方法的有效性，包括学习洛仑兹系统、圆柱背后的流体动力学、Hopf 分岔和糖酵解振荡器模型。

Jan, 2018

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

该论文介绍了一种使用变分推断框架来获取深度学习模型中参数不确定性的方法，以及通过调整单个超参数 ——dropout rate 来获得准确和精确的不确定性估计，从而证明神经网络是比 MCMC 更快的参数不确定性估计替代方案。

Aug, 2017

通过使用 Neural Galerkin schemes 方法，利用集合较少的粒子动态适应粒子来近似求解偏微分方程的深度神经网络训练过程中的误差，并在具有局部特征和高维空间域的问题中获得了准确的实证误差估计。

Jun, 2023

应用 Koopman 算子理论和深度强化学习网络，提出了一种数据驱动的线性估计器，用于提取复杂非线性系统的有限维表示，实现对原始非线性系统未来状态的精确预测。该估计器还可以适应非线性系统的微分同胚变换，从而实现对变换后系统状态的估计，无需重新学习。

May, 2024

本文提出了一个针对混沌系统长期预测的框架，该框架旨在保留描述动力学的不变吸引子的不变统计特性。我们考虑两种方法来处理噪声数据的多环境设置中的训练，一种是基于观察到的动力学和神经操作器输出之间的最优输运距离的损失，另一种是不需要任何专业先前知识的对比学习框架。通过在各种混沌系统上进行实证验证，我们的方法在保持混沌吸引子的不变测度方面表现出很好的效果。

Jun, 2023

该研究提出了一种基于物理信息的机器学习控制方法，用于具有高噪声测量的非线性动态系统。结果表明，该方法在高噪声条件下的非线性动态系统的建模准确性和控制性能方面优于现有的基准方法。

Nov, 2023

本文提出了一种新的数据驱动建模范式，该范式可以同时学习动态和估计每次观察的测量误差。作者使用深度神经网络建模未知矢量场，并在非均匀时间步长的数据中加入龙格 - 库塔积分器，以约束和集中建模的工作。在多项标准测试问题中表现出本方法形成预测模型的能力，并表明它对大量测量误差具有强鲁棒性。

Aug, 2018