本文介绍了一种不强制施加物理约束、而是通过物理数据增强训练的方法，设计出了一个高效且表现性能优异的图神经网络模型ForceNet，通过在大规模数据集上的测试证实其能够更精确地预测原子力，并开辟了一条新的研究道路。

Mar, 2021

本研究提出了一种使用更高级别信息的MPNN模型:MACE，通过使用四体信息代替两体信息，在rMD17, 3BPA和AcAc benchmark任务上实现了与或高于最新技术水平的精度并且能够快速且高度可并行化。

Jun, 2022

通过引入新的蒙特卡罗马尔可夫链抽样算法以及新的基于NequIP的随机神经网络模型，本文绕过了现有的采样方法问题，实现了在揭示原子间力作用的学习中，准确性最高及良好的不确定性预估。

Apr, 2023

本文提出了一种新颖的物理知识驱动的低样本学习方法，将拉格朗日运动方程和反动力学肌肉模型无缝集成到生成对抗网络 (GAN) 框架中，用于动态肌肉力学分析。

Jul, 2023

该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

Sep, 2023

本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs在理想数据情况下胜过了等效的无信息神经网络（NNs），在10个线性间隔和10个均匀分布的随机训练点上的准确度分别提高了18倍和6倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs相对于NNs的准确度提高了9.3倍和9.1倍，分别对应于67个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择FPGA作为部署计算的基板。鉴于此，我们使用了一台PYNQ-Z1 FPGA进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

Jan, 2024

使用神经网络的高阶隐式龙格-库塔方法估计系统的误差，并通过与神经网络的预测误差相关的残差提供轨迹上的多个点的误差估计。

Jan, 2024

通过创建新的视触觉数据集，使用深度神经网络模型进行训练，并将不同的视觉和状态数据输入泛化为混合数据集训练的通用管线，该研究展示了在微创机器人手术中，混合实验设置用于视觉状态力估计是解决问题的一个可行方法。

Jan, 2024

准确的动态模型对于许多机器人应用至关重要。该研究采用基于机器学习技术（如神经网络）的“黑盒子”方法，在一个真实的六自由度操作器上比较了不同的神经网络架构和超参数选择策略，证明级联神经网络在准确度和性能方面表现最佳。

Mar, 2024

本研究解决了计算工程中仿真速度和效率提升的需求，提出了一种深度学习方法SLIDE，用于估计机械或多体系统的输出序列。SLIDE的创新在于无需完整系统状态即可有效估计阻尼系统的动态响应，显著提高了灵活多体系统的仿真性能，实验结果表明该方法在多个系统中实现了显著的加速，远超实时性能。

Sep, 2024