本研究提出了一种新颖的深度学习方法，结合监督分类与无监督相变检测，有效识别稀释Ising模型的磁相。通过引入物理信息，该模型在缺乏标签的情况下成功识别物理相界，展现出广泛的应用潜力。

本研究提出了一种物理信息神经网络控制框架（PINC），旨在提升水下车辆建模的数据效率和泛化能力。该框架通过结合初始状态、控制动作和时间输入，实现物理一致的状态过渡，验证结果显示其在长时间预测中的准确性显著优于非物理信息方法。

本研究提出了一种基于物理信息的残差神经常微分方程（PIR-NODE）模型，旨在提高热带气旋强度预测的准确性。该模型结合深度学习的非线性拟合能力，使24小时强度预测的均方根误差（RMSE）降低了25.2%，R方（R2）提高了19.5%。

本研究提出了一种新颖的物理信息消息传递神经网络框架，结合高阶拓扑复合体，以解决刚体相互作用的模拟困难。该方法显著提高了刚体动力学建模的准确性和泛化能力，具有广泛的科学和工程应用潜力。

本研究提出了一种新的hp-变分物理信息神经网络框架，有效解决了对流主导的对流-扩散-反应问题，显著提高了解的准确性，验证了其有效性和潜在影响。

本文探讨了利用深度学习从真实数据中发现和解决偏微分方程（PDE）的方法。研究表明，该方法在处理复杂非线性物理系统时表现优越，能够有效揭示控制方程并提高数值解的准确性。通过新型算法和神经网络，实现了对PDE的高效求解，展现了在有限噪声数据中提取物理信息的潜力。

本研究初步开发了一种基于物理信息的超分辨率生成对抗网络（SR-GAN），可将低分辨率的三维风场提升9倍，降低高分辨率风场模拟的计算成本，并获得高保真度的风场数据。

日本研究人员东山厚树因研究用双腿观察物体的效果而获得搞笑诺贝尔奖。他发现通过弯腰从两腿之间观察物体，距离和颜色会有不同情况。他还研究了水平垂直错觉，发现视错觉可能是由物理信息造成的。他认为心理学研究应该重视物理信息，并通过实验来证明结论。他继续研究并收集数据，试图再次感受到愉悦。