该研究提出了一种物理与机器学习协同的新范式，以提升电力网在不确定性和网络攻击下的态势感知能力。结合物理模型与轻量级机器学习模型，研究表明该方法能有效增强电力系统的安全性和稳定性。

本文提出了PhysAug，一种基于物理模型的数据增强方法，旨在解决单域广义目标检测中缺乏真实世界先验知识的问题。实验结果表明，该方法显著提升了模型的泛化能力。

RoboPEPP是一种新方法，旨在提高机器人在未知关节角度下的姿态估计性能。该方法通过掩码自监督嵌入预测架构，将机器人的物理模型信息融入编码器，从而增强对机器人物理结构的理解。研究表明，RoboPEPP在姿态和关节角度估计中表现最佳，且对遮挡的敏感性最低。

本文介绍了一种基于物理模型的3D人体运动推断方法，结合2D和3D姿态估计，通过物理轨迹优化提高动作的真实性和准确性。研究表明，该方法在多种场景下表现优越，尤其在姿势估计和运动捕捉方面显著改善了运动质量和物理可信度。

本文介绍了多种基于机器学习和物理模型的太阳能与风能发电预测方法。研究利用卫星数据和深度学习提高全球水平辐照度预测的准确性，提出了新的混合模型MATNet，结合AI与物理知识，提升光伏发电预测性能。此外，探讨了多模态数据融合框架在新太阳能发电厂中的应用，显著提高了预测准确性。

本研究探讨了神经普通微分方程在化学和生物系统中的应用，提出结合深度学习与物理模型的方法，以提高刚性系统的建模精度和效率。研究显示，在缺乏实验数据的情况下，通过引入质量守恒约束和混合模型，能够在化工过程优化中实现良好的预测能力和可解释性。

本文介绍了一种结合物理学与机器学习的方法，用于预测大气湍流强度。研究提出了多种模型和框架，包括物理整合的修复网络、基于物理启发的转换器模型和生成对抗网络，旨在提升湍流条件下的图像质量和数据预测准确性。

数字孪生是将计算模型与物理模型相耦合的系统，通过双向数据流动态更新，具有预测能力。它在医疗决策、天气预测和工程流程等方面广泛应用。然而，实现数字孪生的全部潜力仍面临数学、统计和计算研究的差距，以及系统和转化挑战。数字孪生的未来应用包括医学研究、飞机发动机优化和气候预测。加强核查、验证和不确定性量化是数字孪生发展的关键。联邦机构应提供计算资源，并促进领域间的协作和数据模型的共享。

本文介绍了一种基于物理模型的2D和3D姿态估计方法，用于推断3D人体运动，显著提升了动作的真实性和准确性。研究还提出了运动重新定位、互动人物运动预测及基于物理的运动校正等新方法，并在多个数据集上取得了优异的实验结果。

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。

该研究提出了一种基于迁移学习的方法，使用基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本。该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

本文研究了在SAR目标识别中引入物理模型和深度神经网络的融合，提高了性能和可解释性。作者提出了基于物理的混合注意力机制和评估协议来评估模型的稳健性和泛化能力，并在多个测试集上进行了严格评估。实验表明，该方法在12个测试场景中表现优于其他最先进的方法。