- SO (3) 等变非线性表示学习框架及其在电子结构哈密顿预测中的应用
我们提出了一种理论和方法论框架，以解决在将深度学习应用于物理系统时的一个关键挑战：在预测 SO (3)- 等变量（如电子结构哈密顿量）时，非线性表达能力与 SO (3)- 等变性的协调问题。在物理学中协变理论的启发下，我们通过探索 SO ( - 高效计算的高斯过程在主动学习中的安全界限
基于自适应采样的高斯过程后验中极值中位数的可证明安全边界为活动学习提供了有效的安全约束，以便在物理系统中进行设计空间的探索。
- 使用图形样条网络学习高效的代理动态模型
提出 GraphSplineNets 深度学习方法，在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性，包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。
- 从数据中发现可解释性动力系统的贝叶斯框架
使用稀疏贝叶斯方法从有限数据中学习可解释的物理系统的 Lagrangian 描述，自动进行 Hamiltonian 的蒸馏，提供观测系统的常微分方程 (ODE) 和偏微分方程 (PDE) 的描述。
- 利用多个向量通道改善 E (n)- 等变图神经网络
我们提出了 E (n)- 等变图神经网络的一个自然扩展，它使用每个节点的多个等变向量。我们阐述了这种扩展，并展示了它在不同物理系统基准任务上提高了性能，同时几乎没有运行时间或参数数量上的差异。该多通道 EGNN 在 N 体带电粒子动力学、分 - 神经算子中的专业变换有多重要？
研究表明，使用可学习的线性层替代变换层可以在性能上与最佳的基于变换的层相媲美，并且在计算时间上具有优势，这对神经操作符的未来工作可能具有重要的影响，也可能指出这些架构的其他效率来源。
- 基于机器人的 POMDP 的贝叶斯强化学习
该论文提出了一个面向物理系统的专门框架，利用 Bayesian reinforcement learning（BRL）和专家知识对机器人的学习进行优化，实现了在人机交互任务中的快速学习和处理环境中的不确定性。
- 利用机器学习解决物理系统模拟中的计算难题
本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据 - 无需数据学习简化运动学
本研究旨在自动识别高维物理系统中低能量状态下的低维子空间，通过使用神经网络来将低维潜在向量映射到完整的配置空间，并提出了对于任意系统兴趣的训练方案，为非线性、弹性体、布料子空间以及碰撞刚性体和连杆等更一般的系统都提供了有效的解决方案，可以用 - 无需反向传播的深度物理神经网络训练
实现了使用生物可行的学习算法训练深度物理神经网络的简单深度神经网络结构，以提高训练速度，减少数字计算和降低物理系统的能量消耗。
- ICML关于图神经网络与经典数值方法在物理系统仿真方面的关系
本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习 - 端口多辛神经网络：物理系统的热力学知识驱动机器学习
基于 Port-Hamiltonian 形式主义，我们开发了适用于复杂物理系统的机器学习归纳偏差，以构造满足热力学原则（能量守恒，非负熵产生）的学习物理。
- PDEBENCH: 一种用于科学机器学习的广泛基准测试
介绍了一种基于偏微分方程的时间依赖性模拟任务的基准套件 PDEBench，其涵盖了更广泛的 PDE 范围、更大的数据集、更可扩展的源代码和新的评估指标，并可用于评估新型机器学习模型性能及与现有基线方法的比较。
- POMDP 的粒子信念逼近的最优性保证
本文提出了利用基于粒子滤波置信转移模型的有限样本粒子置信 MDP 近似解决 POMDP 的方法。在五个基准 POMDP 实验中，与其他领先的连续观察 POMDP 求解器相比，表明这种方法可以实现与其他领先的连续观察 POMDP 求解器竞争力 - ICML可微模拟器是否提供更好的策略梯度？
本研究探讨了可微分模拟器在长期规划和物理系统控制等复杂领域中的性能因素，提出了一种 alpha 阶梯度估计器以结合一阶估计的效率和零阶方法的鲁棒性，并在数值示例中证明其优点
- 平滑归一化流
本文介绍了一种使用混合变换的规范连续流方法，可应用于计算力和高阶导数所需的平滑密度函数，并可用于分子动力学模拟。
- 从图像中无监督学习拉格朗日动力学以实现预测和控制
该研究论文介绍了一种新的无监督神经网络模型，利用可解释的广义坐标学习图像中的拉格朗日力学，以及物理系统性质的预测和控制。
- 用神经投影学习物理约束
我们提出了一种新的神经网络家族，通过学习基础约束条件来预测物理系统的行为，其中我们的神经投影算子是核心，可以自动有效地发现各种约束条件，并预测不同物理系统的管辖行为。
- 参数化偏微分方程的多极图神经算子
通过构建多级图神经网络框架，解决基于深度学习的物理系统模拟和偏微分方程求解中数据格式与神经网络所需结构不匹配所带来的挑战，提出一种对于 GNN 和多分辨率矩阵核分解统一的方法，该方法可以处理所有范围的相互作用并具有线性复杂度。实验证明，这种 - IJCAI物理感知时空模块与辅助任务的元学习
提出了一个物理感知元学习的框架，该框架利用偏微分方程独立的知识并利用空间模块来适应有限的数据，从而缓解了元学习需要大量真实世界任务的需要，以模拟数据为基础进行元初始化，并在合成和真实世界的时空预测任务中展示了其卓越的性能表现。