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。

本研究提出了一种新方法，通过结合数据驱动和物理模型，改善脑肿瘤治疗规划中对肿瘤细胞分布的估计。该方法在患者数据中显示出更好的肿瘤复发区域覆盖能力，推动临床应用。

TransRL是整合了物理模型和强化学习的新算法，通过建立基于物理模型的确定性策略，并从可微分和随机的教师策略中学习，实现了增强的性能、可靠性和可解释性。实验结果表明TransRL在实际网络数据上比基于交通模型的方法更具适应性和学习性，并且比PPO和SAC等基线强化学习算法具有更高的可靠性和可解释性。

该研究基于逆向图形学，通过替换自编码器的解码器阶段为物理模型加偏差校正层，实现了逆向模型并校正其偏差的端到端方式。验证结果表明该方法能够匹配或超越传统方法的结果，为理解物理过程的因果关系提供了有效的路径。

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。

本论文介绍了一种名为物理引导的神经网络（PGNN）的框架，它将物理学和神经网络相结合。该框架利用物理模型和观察特征，通过神经网络生成预测，并使用物理基础的损失函数确保模型预测与已知的物理学保持一致。通过科学知识指导神经网络的构建和学习，该框架提高了泛化能力和结果的科学一致性。

本研究旨在去除褶皱透明薄膜干扰并重建薄膜下原始信息。通过建立物理模型和使用偏振摄像机构建实际数据集，成功去除薄膜中的干扰。实验证明该框架在图像重建和工业下游任务中具有最先进的性能。

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。