本研究提出了一种基于神经场的框架，通过独立建模整体刚体运动与局部结构变形，实现高效、精确的三维车辆碰撞动态预测，误差降低高达83%。该方法在复杂碰撞场景中提供快速、可靠的车辆安全评估，减少了模拟数据和时间需求。

本研究提出了一种新颖的对象级时间对比损失，解决了无监督视频对象中心学习中的时间一致性问题，显著提升了对象中心表示的时间一致性，从而支持更可靠的视频分解和动态预测。

本研究提出了LLMPhy框架，结合大型语言模型与物理引擎，旨在解决机器人物理推理中的多体相互作用动态预测问题。实验结果表明，该框架在零-shot物理推理和参数估计方面表现优异。

本研究通过引入生成自评估机制，提高大型语言模型的计算效率。该机制动态预测生成过程是否继续，优化响应，显著提升性能，减少样本需求，实现高效计算。

该文章介绍了交互网络模型，使用深度神经网络进行对象和关系居中的推理，能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。

本文介绍了交互网络模型，使用深度神经网络进行对象和关系居中的推理，能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。