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。

本文介绍了一种基于Langevin恒温器的自适应协方差控制算法，旨在加速机器学习应用。研究整合了贝叶斯学习框架，量化了神经普通微分方程中的权重不确定性，并展示了在MNIST数据集上的实验结果。此外，提出了热力学AI框架，结合物理启发的算法与随机波动，以提升计算效率。最后，探讨了新型计算硬件的需求及其在概率性人工智能中的应用潜力。

本文介绍了多种基于深度学习的算法和框架，如Allegro、PANNA 2.0、TensorNet，旨在提高分子和材料的能量及原子力预测精度。研究展示了图神经网络和机器学习在蛋白质表示、力场建模及粗粒化力场构建中的应用，显著提升了计算效率和预测准确性。

本研究提出了一种新型GemNet图神经网络结构，利用双跳消息传递和定向边嵌入，显著提升了分子动力学模拟的精度和效率。通过比较不同机器学习模型，双向LSTM表现最佳，达到10^-4埃的轨迹插值精度。此外，研究介绍了基于等变深度学习的新算法Allegro和去噪预训练的神经势能预测方法，提升了能量和原子力的预测准确性。得分动力学模型在计算速度上较传统分子动力学有显著提升，展示了机器学习在化学模拟中的广泛应用潜力。

本研究探讨了基于混合物理的数据驱动代理模型，利用循环神经网络（RNN）进行异质材料的微观分析。引入适用于速率依赖性材料的PRNN架构，显著提高了模型的预测能力和计算效率，实现了三倍加速。研究表明，迁移学习能够有效适应不同应变条件，为编织复合材料的响应建模提供了有用工具。

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...

本文介绍了一种可训练的深度神经网络模型（IDNN），用于准确还原二元合金的自由能表征，优于传统方法。研究探讨了变分建模和神经网络势函数的应用，展示了其在材料模拟中的有效性，为捕捉相变中的热效应提供了新思路。

本文探讨了平衡传播（EP）在神经网络训练中的应用，特别是在自然语言处理、变分自编码器和量子神经网络等领域。研究表明，EP能够有效减少预测误差，并在复杂任务中表现优异，具有生物学可信度和硬件实现潜力。

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。

本文探讨了深度生成机器学习模型在晶格场论中的应用，特别是在估算自由能绝对值方面的优势。通过与传统的马尔可夫链蒙特卡罗方法比较，展示了该方法在二维$ ext{φ}^4$理论中的有效性。此外，研究还探讨了生成扩散模型与热力学的关系，提出了基于正则流的机器学习模型用于等温等压采样，并显示出良好的实验结果。

本文探讨了基于Port-Hamiltonian形式主义的机器学习方法，旨在构建符合热力学原则的物理模型。通过前馈神经网络，利用数据学习物理系统，确保能量守恒和熵耗散。研究展示了该方法在守恒和耗散系统中的有效性，并扩展到多物理问题的应用，提升了网络的准确性和计算效率。

本研究提出了一种基于深度学习的本构模型，分析含水量的纳米颗粒/环氧纳米复合材料的循环粘弹性行为。利用长短期记忆网络捕捉应力应变关系，并应用于有限元分析，验证了模型在不同加载条件下的高效性和准确性。数值结果与实验数据一致，显示出该模型的优越性。

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。