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

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

本文提出了一种新的学习模型，称为隐藏物理模型，旨在从小数据中学习偏微分方程，并利用高斯过程进行概率推断，此方法被证明在各种科学领域中具有潜在的应用前景。

Aug, 2017

提出了一种基于生成模型的动力学系统简化方法，该方法能够实现高维、多尺度动态系统的降维，并在粒子动力学多尺度物理系统中进行有效预测。

Jan, 2021

采用神经网络参数化的物理描述框架，从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化，对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。

Sep, 2020

利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

Sep, 2021

本研究提出一种利用深度学习算法和基于物理性能模型的信息相结合的方法，针对实际场景下复杂的关键安全系统进行预测，实验结果表明这种混合框架比仅依靠数据驱动方法能够将预测范围延长近 127％。

Mar, 2020

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

本文介绍了一种基于物理知识的深度学习框架，其利用少量数据对非线性结构系统进行元建模，并成功演示了其对复杂结构的精确预测性能。

Feb, 2020

本文提出了一种基于深度学习的方法，可以从散乱的、有可能带有噪声的时空数据中，发现非线性偏微分方程，该方法通过两个深度神经网络来近似未知解和非线性动力学，并测试了其在多个科学领域的效果。

Jan, 2018