- 神经算子与能量理论结合：哈密顿和耗散偏微分方程的算子学习
该论文提出了能量一致性神经算子（ENO），这是一种学习偏微分方程的解算子的通用框架，其遵循观测到的解轨迹满足能量守恒或耗散定律。该框架使用受物理能量理论启发的新型惩罚函数进行训练，能够通过另一个深度神经网络对能量泛函进行建模，确保基于深度神 - 房间入住预测：探索机器学习和时间洞察的力量
我们的研究验证了我们对连续和分类任务的预测框架的有效性，并强调通过包含时间方面来提高预测能力的潜力。该研究凸显了机器学习在塑造节能实践和房间占用管理方面的前景。
- 使用粒子光子和智能手机的自动化节能系统（APCS）
本文通过利用 IR 传感器实现了一种能够自动控制空调和电灯设备的机械化能源节约系统，并且通过手机应用程序控制电灯和空调，从而帮助我们节约能源和减少电费支出。
- 加强注意力的自编码器用于建筑能耗异常检测
研究聚焦于利用机器学习技术，使用新颖的关注机制来发现采集到的数据中建筑物能耗方面的异常情况，并进一步通过对真实数据集的建模来验证该方法的有效性。
- ICML控制理论在游戏中的在线优化：连接遗憾、被动性和庞加莱循环
通过控制理论中能量守恒的概念，将在线优化与游戏学习结合起来，证明了所有连续时间的 Follow-the-Regularized-Leader 动态都是无损耗的，这启发我们构建了一族具有简单梯度结构的无损耗学习动态，并将其拓展到了图形常和游戏 - 机器学习非保守动力学用于新物理探测
本论文提出了一种基于数据的新物理发现方法，使用神经新物理探测器（NNPhD）分解力场，将其表示为拉格朗日神经网络（LNN）和通用近似器网络（UAN），成功在玩具数值实验中发现了新物理，并演示了 NNPhD 如何与积分器结合，优于以前预测阻尼 - 评估引理中点积分器在黎曼流形哈密尔顿蒙特卡罗中的应用
本文比较了广义 leapfrog integrator 和 implicit midpoint integrator 在 Hamiltonian Monte Carlo 中的优缺点和理论性质，并通过实验证明 implicit midpoin - 利用可微分接触模型扩展拉格朗日和哈密顿神经网络
本文提出一种可微分的接触模型，扩展了拉格朗日和哈密敦神经网络的范围，并演示了在各种不同的物理系统上，该学习动态可以用作下游基于梯度的优化任务（如计划和控制）的不同 iable 物理模拟器。
- 基于能量守恒的神经网络学习动力学行为的基准测试
本文调查了 10 种最新的节能神经网络模型，并比较了它们在 4 个物理系统中的性能，指出了利用这些节能模型设计基于能量的控制器的可能性。
- 结构保持神经网络
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 - ICLR拉格朗日神经网络
本文提出了一种使用神经网络来参数化任意 Lagrangian 的 Lagrangian 神经网络（LNNs），该方法不需要标准坐标，因此可适用于标准动量未知或难以计算的情况，并且在各种任务中产生遵守能量守恒条件的模型，通过在双摆和相对论粒子 - 从数据中学习哈密顿系统
本文提出一种全数据驱动的方法，利用自编码神经网络组件估计哈密顿系统的相空间，通过另一个神经网络组件来逼近其哈密顿函数并在两个组件之间进行联合训练，提取了摆锤的相空间和生成哈密顿函数。
- Hamiltonian 神经网络
本研究利用 Hamilton 力学来为神经网络提供更好的归纳偏差，使其能够在自我监督的状态下学习并遵守物理中的守恒定律；研究表明我们的模型在能量守恒等问题上具有更快的训练速度和更好的泛化性能，并且是一个完全可逆的时间模型。
- ICLR神经网络非线性规范的验证
本文介绍在神经网络验证中如何利用凸松弛来证明一系列比较丰富的非线性规约，包括物理系统学习到的动力学模型的能量守恒，分类器的输出标签在对抗性扰动下的语义一致性以及预测手写数字求和的系统所包含的误差等，实验验证了该方法的有效性。
- Wavenilm：一种基于因果神经网络的电力信号复杂分解方法
本研究提出了一种基于 WaveNet 的因果 1-D 卷积神经网络方法，通过使用复杂电力信号的四个分量来实现非侵入式负荷监测，实现了能效目标。实验结果表明，与同一数据集上现有的结果相比，我们的方法收敛更快、性能更高。
- 被动性和进化博弈动力学
本文研究了演化博弈理论中动态模型的一个能量守恒和耗散 —— 被动性方面，提出了使用状态空间表示的被动性概念，并设计了系统性方法来检验被动性并识别被动动态模型的属性，基于这些方法，阐述了被动性与人口游戏的稳定性的联系，并使用数值模拟说明了被动 - 深度卷积神经网络中的能量传播
本文研究深度卷积神经网络的能量保存特性及特征图能量衰减速率，特别是在使用小波和 Weyl-Heisenberg 滤波器的广泛情况下，破坏性和具有高通通带条件的滤波器能够以至少多项式速率衰减。