- 带条件的正规化流方法高效映射相图
通过深度生成机器学习模型和热力学状态的条件正则化流，我们可以高效地生成整个相图的平衡样本，并在预测固液共存线时降低所需能量评估数量。
- 双重过程知觉中情绪价值的自由能模型
提出了一个新的数学框架来解释情绪和人类双重认知中的唤起潜力变化之间的关系，以及从自动到控制过程中的情绪体验，其中贝叶斯先验的变化导致自由能的变化，而自由能的减少使得产生积极情绪，自由能的增加则会导致负面情绪，该数学模型为预测和调控双重过程中 - 针对基于物体的深度主动推理模型的形状和姿势分离
本文通过使用深度学习方法进行不同因素的状态空间分解，提出了一种在 3D 物体表示中使用的更好的主动推理模型，以降低模型复杂度并获得更好的解缠实时空。
- 使用深度生成模型估计格点场论中的热力学物 observables
本文展示应用深度生成机器学习模型于晶格场论中，可用于解决马尔可夫链蒙特卡罗方法面临问题的前途。特别地，我们展示了生成模型可用于估算自由能的绝对值，这与现有的基于 MCMC 的方法仅估算自由能差异有所不同。我们在二维 $\phi^4$ 理论中 - 基于深度主动推理的感知与规划学习
本文将深度学习应用于 active inference 领域，借此学习状态空间以及近似必要的概率分布，以期实现对大脑的过程理论。
- MM机器学习中的熵
本论文将计算二进制配置 / 信号熵的问题转换为一系列有监督的分类任务，使用机器学习分类算法计算熵，并直接从给定温度下的一组蒙特卡洛配置计算自由能，进而重现了 2D 伊辛模型的熵和自由能，并可以应用于计算尖峰神经元或任何其他多维二进制信号熵。
- 面向人形机器人的积极推断身体感知和动作
通过在仿生系统中应用主动推理身体感知和行为模型，能够在机器人上实现适应性身体感知和动作，并分析该方法适用于现实世界的交互。
- 机器学习材料物理学：可积深度神经网络通过学习自由能函数实现尺度跨越
本论文提出了一种可训练到导数数据并能够还原准确自由能表征的可积深度神经网络模型（IDNN），它被演示用于训练二元合金的化学势值，得到的 DNN 表征的自由能在材料的相场模拟中表现良好，预测了适当形成的反相界面，相比之下，同样的数据的 B 样 - 粗粒化分子动力学力场的机器学习
本文应用监督式机器学习方法将经典粗粒化 (coarse-graining) 重新解释，提出了一种名为 CGnets 的深度学习方法，能够学习细粒度有溶剂共存 (all-atom explicit-solvent) 的自由能函数，并能够捕获多 - 均场近似：信息不等式、算法和复杂度
本文提供了一种新的较优 KL 误差的均场近似上下界，并推广到高阶马尔可夫随机场。结合组合数学和优化技术，我们还研究了估计 Ising 模型及马尔可夫随机场自由能的算法问题。我们提供了多种算法，在多项式时间复杂度内误差均控制在某个界内。
- 球形二部图模型的自由能和复杂度
本文研究了球形二分体自旋玻璃模型的自由能和复杂度。我们首先基于著名的 Crisanti-Sommers 混合 p - 自旋模型表示，在高温度下证明了极限自由能的变分公式。接着，我们证明了能量水平较低时局部极小值的平均数量在系统大小的指数级增 - 护送自由能模拟
本文提出了一种新策略来通过在非平衡 Monte Carlo 模拟中减少耗散来提高自由能估计的效率，其包括通过耦合系统的演化到外部工作参数更新以生成人工的 “护送” 轨迹，得到被 “护送” 轨迹的广义波动定理和自由能差估计器。
- 使用链接重要性抽样估计归一化常数比率
本文介绍了通过引入中间分布进行概率比较的方法，包括简单重要抽样 (SIS)、桥抽样 (Bridge Sampling)、退火重要性采样 (AIS) 等，同时提出一种新的方法，称为关联重要性采样 (LIS)，并且表明 LIS 方法比 AIS - 一种高效的、多区间随机行走算法，用于计算态密度
我们提出了一种新的 Monte Carlo 算法，可以通过独立的随机步骤在不同的能量范围内获得高精度的结果，并可直接计算自由能和熵，适用于一级和二级相变的研究，也可用于具有粗糙能量景观的复杂系统的研究。