- Transformer 如何处理物理？研究简谐振子
变压器如何模拟物理系统，特别是如何模拟简谐振子，我们通过分析中间过程的编码来研究变压器所使用的模拟方法，发现它们使用已知的数值方法，特别是矩阵指数方法，来模拟简谐振子的轨迹。
- 通过前提删除干预探索细粒度 LLM 物理推理的极限
通过使用一个涵盖多种符号和物理子领域的精选数据集，本研究评估了语言模型在进行细粒度数学和物理推理方面的能力，发现模型的数学推理在物理语境中缺乏信息，更多地倾向于逆向工程解决方案。
- BootsTAP：跟踪的引导式训练
通过自我监督的师生设置，使用大规模无标签、无筛选的真实世界数据，以最小的架构改变改进 Tracking-Any-Point (TAP) 模型，实现了在 TAP-Vid 基准测试中的最新性能，超过先前研究结果很大幅度：例如、TAP-Vid-D - JetLOV: 通过神经网络学习最优 LundNet 变量增强 Jet 树标记
本研究通过神经网络的自主学习，不依赖预先计算的变量和底层物理知识，实现了在物理领域中的喷注标记性能的相当结果，从而有望解决模型依赖性问题。
- 紧急组织的原则
物理学自发自组织问题的历史、现状和挑战，以及两种现代数学形式化方法的概述，展示了如何通过统计力学得出结构化状态的生成原理。
- Alpha Zero 物理：使用 Alpha Zero 进行符号回归以找到物理学中的分析方法
使用符号回归及 Alpha Zero 算法的物理分析方法研究框架，展示了其在 Floquet 系统中获得高频扩展的潜力，可能发展出物理学的新理论框架。
- 物理学中的机器学习简要指南
机器学习在物理学领域的应用与挑战概述。
- 物理、数学和计算机科学之间的跨学科互动建模
本论文通过对物理学、数学和计算机科学三个领域的引用流进行建模，并通过时间桶签名对这三个领域之间的引用互动进行量化。基于最近提出的中继链接框架的变体，本文提出了数值模型，试图解开这三个领域之间引用链接形成的基本原理。
- 利用物理感知卷积神经网络学习二维不可压缩纳维 - 斯托克斯方程的解算器
通过结合 U-Net-like CNN 和有限差分法领域的已建立的离散化方法，我们介绍了一种在不同几何形状中学习稳态 Navier-Stokes 方程近似解的技术，无需参数化。我们将基于物理的 CNN 的结果与基于数据的方法进行了比较，并展 - 一个自适应增广拉格朗日方法用于训练具有物理约束和平等约束的人工神经网络
采用增广 Lagrange 方法（ALM）解决前向和反向问题，为了进一步提高计算效率和节省计算成本，采用小批量训练。
- 从数据中发现因果关系和方程
本文回顾了物理学领域关于因果关系和方程式发现的概念、方法和相关工作，在地球和气候科学、流体动力学与力学以及神经科学等领域展示了一系列案例，展示了有效地利用观测数据、现代机器学习算法与领域知识的互动等方面，揭示了通过观察自然现象发现根本定律和 - 运用物理引导的生成对抗网络学习物理模型
本文讨论了如何使用物理引导生成对抗网络（PG-GAN）来解决深度神经网络输出不满足物理方程问题的方法。
- ChatGPT-4 中明显概念物理推理的进展
使用巨大的语言模型建立了 ChatGPT，经 Kortemeyer 验证其在牛顿力学基础知识方面具有基本理解并达到专家水平，该结果对未来的物理教育和教学具有重要的启示。
- AI 和 FCI：ChatGPT 能否预测初级物理的理解？
这篇文章研究了 ChatGPT3.5 和 ChatGPT4 在大学物理中表现的能力，表明 ChatGPT3.5 可以达到甚至超过完成一学期大学物理的学生的中位数表现，而 ChatGPT4 的表现则已接近专业物理学家的水平。
- 椭圆型偏微分方程学习可证明具有数据效率
本文介绍了一种结合了物理与机器学习的新兴领域：PDE 学习。我们提出了一种理论上保证数据效率的算法，可以从有限的输入输出数据中恢复 3D 椭圆型偏微分方程的解算子，并以极高的成功概率呈指数收敛率。
- 关于人工智能和机器学习的费曼观点，附更新
本文回顾了 Richard Feynman 在 1980 年代中期对人工智能和神经网络的兴趣，并将其放置在当时物理相关的神经网络技术背景下。作者试图在当今的技术进步和 Feynman 的想法之间进行评估。本文讨论了 Feynman 的兴趣， - 运动常数网络
本文介绍了一种使用神经网络来学习系统的动力学和运动常数的方法。与基于哈密顿的神经网络相比，它可以更好地预测系统的动力学，并且可以在更广泛的系统上工作。此外，该方法的训练进程可以用作确定系统运动常数数量的指标，这在研究新型物理系统时非常有用。
- 机器学习隐私泄漏的物理解决方案
介绍了使用物理学方法来改进保护医疗记录等隐私数据的机器学习系统，采用张量网络架构来保证特定类型的保密泄漏并取得了相对较好的效果。
- 壳模型湍流模拟的自动耗散控制
通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。
- 李代数卷积网络自动对称性发现
在物理科学中，利用李代数卷积网络（L-conv）可以发现物理学和对称性之间的直接联系，并且 L-conv 可以作为构建任何等变前馈结构的构建模块。