- ICLR学习可微分的处理硬约束系统的求解器
提出一种实用的方法，通过神经网络来精确实现偏微分方程控制，利用可微分优化和隐式函数定理来有效实施物理约束，模型能够在域内提供准确满足期望物理约束的连续解。
- AAAI通过深度序列学习模型模拟三维各向同性湍流的时空实现
本文使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用 Transformer 网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。
- 发现用于通用任务和动作规划的状态和动作抽象
本文提出一种算法，用于通过学习特征、抽象和广义计划来解决连续机器人任务和运动规划中的困难问题。研究表明，仅使用少量示例学习的简单广义计划可以用于优化 TAMP 求解器的搜索效率。
- ForceNet：用于大规模量子计算的图神经网络
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。
- MMConAML：面向网络物理系统的受限对抗机器学习
本文提出了一种称为约束对抗机器学习（ConAML）的算法来研究应用于 CPS 中的机器学习的潜在漏洞，并生成满足物理系统固有约束的对抗样本，从而使 ML 模型的性能显著下降。
- 使用物理感知神经网络解决反问题偏微分方程
本文提出了一种新型的混合反向问题复合框架，将深度神经网络的高表现力与现有偏微分方程数值算法相结合，通过语义自编码器的自定义层，将计算数学、机器学习和模式识别技术融合在一起，实现了域特定知识和物理约束的综合应用，解决了大量数据中的未知字段这个 - 利用最少的 SWAP 和 H 操作将量子电路映射到 IBM QX 结构
本文提出了通过符号优化问题和布尔可满足性求解器的方法来解决将量子电路映射到 IBM's QX 体系结构的最小 SWAP 和 H 操作数问题，同时实验证明 IBM 启发式解决方案所添加的运算次数超过了下限的平均值 100％以上。
- 神经网络中嵌入的物理对称性
本文的重点是将物理约束嵌入神经网络的结构中，以解决神经网络在物理应用中缺乏可解释性和物理不可知设计的问题，通过限制可调参数并添加特殊层，保证所需约束不需要显式正则化项即可满足，为解决函数的奇偶对称性和能量守恒问题提出了监督和非监督网络，并提 - 数据时代下的湍流模型
本研究回顾了在边界层流领域，纳维尔 - 斯托克斯 (Navier-Stokes) 方程的雷诺平均数 (RANS) 模型中，使用实验数据和直接数值模拟数据进行误差边界估计的研究。具体而言，研究探索了通过物理约束来约束 RANS 模型中的误差幅 - 一种将量子电路映射到 IBM QX 架构的高效方法
研究提出了一种方法，实现了在保持最小量子门的同时，将给定的量子功能映射到满足架构所有约束的一种实现，该方法比 IBM 自己的映射解决方案更快，提供了小成本的映射电路。
- 球员如何处理球：基于物理约束的交互建模
本文提出一种基于整数规划的方法，建模球和球员之间的交互，并对球的轨迹施加适当的物理约束条件，以提高低分辨率视频中球的跟踪精度和鲁棒性，在排球、篮球和足球等实际应用场景中表现比现有研究更优秀。