该研究提出了一种基于学习驱动的物理感知门尺寸调整框架，通过学习时序信息和物理信息，实现了多模态门尺寸感知时序模型，并通过梯度下降优化和自适应反向传播更新门尺寸，取得了更高的时序性能改善和更快的速度。

该研究提出了一种可解释的、物理感知的机器学习模型，能够推断高能粒子碰撞的基础物理。通过使用生成对抗网络，该方法能够学习粒子的最终分布和阶级分支机制。该模型在扰动物理学领域有广泛应用。

本文提出了一种基于DDPM和物理感知的图像去雾框架DehazeDDPM，适用于复杂的浑浊场景。该框架通过物理建模和DDPM的生成能力相结合，补偿浓雾引起的信息损失。实验证明，该方法在合成和真实世界的浑浊数据集上取得了最先进的性能。