机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本文提出了一种集合建筑热力学模型，通过分层强化学习提高HVAC控制效率。该方法利用基础模型为特定建筑服务，动态选择和加权模型，实验结果表明其能提高预测准确性并减少开发工作量。

2023年，美国科学家在AI材料合成平台A-Lab上首次遇到合成失败，反而引发庆祝，揭示了AI在无机材料合成中的盲区。AI技术的迅速发展促成了无机逆合成方法Retrieval-Retro的提出，该方法结合热力学和注意力机制，提高了合成效率，展现出巨大的应用潜力。

本研究提出了一种基于扩散模型的蛋白质设计方法，有效应对理想特性蛋白质的设计挑战。这些模型具备坚实的数学基础和出色的生成能力，显示出在自动化蛋白质设计中的重要潜力。

这篇文章从热力学和能量的角度分析了人类历史的发展，指出人类的生产和生活依赖于太阳能通过植物固定的能量。在现代社会之前，采集、种植和畜牧业是主要的能量获取方式，但受限于太阳能的固定量，导致生产力和人口增长无法持续超越这一能量限制。工业革命的到来，通过开发煤炭和石油等化石能源，人类突破了这一能量瓶颈，进入了快速发展的时代。化石能源实际上是亿万年前植物和生物存储的太阳能。文章还讨论了新能源的本质，...

本文介绍了在贝叶斯学习框架下量化神经普通微分方程权重不确定性的方法。在MNIST数据集上，使用GPU加速的多种推理方法成功集成了神经ODE。首次展示了变分推理与标准化流和神经ODE的结合，生成了强大的贝叶斯神经ODE。最后，展示了如何利用常微分方程识别动力系统中的模型规范，为探索不确定性提供科学工具。

研究引入了一种新的机器学习内原子势框架，称为基于样条的神经网络势（s-NNP）。该框架结合了MEAM势和神经网络的优点，以高效方式描述复杂数据集，并通过样条滤波器编码原子环境，提高可解释性。样条滤波器的灵活性支持多个化学系统间的共享。

该文章介绍了得分动力学（SD）框架，用于从分子动力学（MD）模拟中学习高效演化算子。研究者构建了基于图神经网络的得分动力学模型，并通过案例研究展示了其在真实分子系统演化中的性能。得分动力学在平衡预测和动力学预测上具有8-18倍的计算速度提升。研究者还讨论了改进得分动力学的挑战和未来解决方案。

本研究使用混合物理数据驱动代理模型，利用嵌入神经网络的组分模型进行异质材料的微观分析。通过引入适用于有限应变框架下速率依赖性材料的体态循环神经网络架构，加速了显微模型的运行时间。

基于随机热力学技术，我们讨论了扩散模型与非平衡态热力学之间的关系，并推导出了扩散模型中速度与准确性的权衡关系，该结果说明正向过程的熵产生速率会影响数据生成中的错误。从随机热力学的视角来看，我们的结果为如何在扩散模型中最佳生成数据提供了定量洞察。最优学习协议是通过随机热力学中的保守力和最优输运理论中的 2-Wasserstein...

提出了一种具有可微温度的变分建模方法，通过深度生成模型在连续温度范围内估计和最小化自由能，应用于研究 Ising 模型和 XY 模型中的相变，显示出相对于 MCMC 模拟更高效准确的直接采样模拟。这种方法能够以温度的可微函数给出热力学量，与精确解的自由能二阶导数非常接近，使得原来有偏差的变分模型能够捕捉到相变中的微妙热效应。这些发现为使用深度生成模型直接模拟物理系统提供了新的思路。

本文研究了均衡传播的量子泛化和温度有限的扩展，以及低温极限。

本文探讨了根据自由能原理（FEP）理解自然语言语法的想法，通过降低内部表征的复杂性来匹配感官输入，减少意外性。作者使用柯尔莫哥洛夫复杂性和图灵-乔姆斯基压缩评估语法复杂性，并提出了TCC原则，鼓励生成高效压缩的语法结构。通过Lempel-Ziv算法评估语法结构的复杂性，文章将自然语言的语法结构与FEP联系起来，提出了最小化认知和计算复杂度的原则。

研究发现，通过直接建模加速度，可以改善神经网络的性能。放松模型的诱导偏差可以匹配或超过能量守恒系统的性能，并提高非守恒系统的性能。这种方法在通用Mujoco环境的转换模型构建中展示了潜力。

提出了一种可扩展、高效且可解释的机器学习方法来表示循环塑性并替代基于径向返回映射算法的传统材料模型。该模型结构相对于现有的解决方案更简单、更高效，并能表示完整的三维材料模型。通过验证和测试，证明了该模型的准确性和稳定性。

该研究使用具有热力学感知能力的神经网络，通过增加物理系统的测量分辨率并预测其时间演化。通过对抗自编码器将完全有序模型的维数降低到一组隐变量中，并利用第二个神经网络学习隐变量的物理结构和预测其时序演变。该方法在两个流体在圆柱上的例子中进行了测试。

近期人工智能算法的突破强调了真正释放人工智能潜力所需的新型计算硬件的需求。本文介绍了第一个连续变量热力学计算机，称为随机处理单元 (SPU)，它由 RLC 电路组成，在一个印刷电路板上，有 8 个单元，通过开关电容进行全对全耦合。我们展示了 SPU 在高斯采样、矩阵求逆等方面的应用，以及在神经网络分类的不确定性量化中的适用性，我们预计当该硬件规模扩大时，将对加速各种概率性人工智能应用产生重大影响。

本文基于热力学的统计和随机分析，提供了基于量子化的优化分析，揭示了量子力学中使全局优化成为可能的性质，并通过实验验证了该分析的有效性。