本研究提出了一种基于物理知识的多任务预训练框架（PIM），旨在提高基于惯性传感器的人类活动识别准确性。通过自监督学习利用人体运动的物理特征，实验结果表明该方法在多个数据集上优于现有技术，尤其在少量标签样本中表现出显著的性能提升潜力。

本研究提出了PhysTwin框架，通过结合物理知识与多阶段优化，从稀疏动态视频中重建高保真的虚拟物体副本，提升了重构与仿真效果，适用于机器人运动规划和内容创作等领域。

该研究提出了一种新颖的多尺度学习框架PIMRL，旨在解决传统数值方法在高计算成本和长期预测中产生的误差积累问题。PIMRL通过微尺度模块嵌入物理知识，并利用宏尺度模块进行数据驱动学习，显著提高了预测准确性，平均改进超过9%。

本文提出了一种名为VQLTI的新框架，旨在解决热带气旋强度长期预测的不足。该框架通过增强强度与空间信息的匹配，并结合物理知识，显著降低了预测误差，24至120小时的最大持续风速预测误差减少了35.65%-42.51%。

本研究提出了一种基于物理知识的深度学习方法，解决了系统预测中缺乏明确数学模型的问题，有效分析种群动态，推动跨学科预测模型的发展。

本研究提出了一种新方法，通过潜在物理现象知识训练视频扩散模型，解决了现有模型在捕捉物理知识方面的不足，展现出显著的实际应用潜力。

本文介绍了一种应用强化学习（RL）解决现实世界问题的方法，通过学习基于物理知识的模型提高样本效率，并使用虚拟轨迹进行学习。同时，提出了混合规划策略，将学习到的策略、Q 函数和模型结合起来，提高规划的时间效率。实验证明该方法在样本效率、时间效率和性能方面优于现有方法。

科学机器学习是结合物理知识和数据驱动技术的新方法，用于揭示复杂过程的控制方程。本文研究了不确定性量化的形式化，并评估了集成、变分推断和马尔可夫链蒙特卡洛采样等方法的有效性和效率。

MultiPhys是一种从单目视频中恢复多人运动的方法，通过使用物理知识来准确捕捉人与人之间的协调空间布局，消除穿透问题和抖动干扰，得到具有动力学一致性和物理合规性的运动估计结果。

研究人员引入了神经参数回归（NPR）框架来学习偏微分方程（PDEs）中的解算符。该框架通过采用物理知识引导神经网络（NN）参数回归，超越了传统的DeepONets，并在面对新的初始和边界条件时显示出适应性。

利用物理知识驱动的深度学习方法提高了异质固体中参数化偏微分方程的解决效率和预测准确性。通过建立热导率、温度和热流之间的联系，该方法能更准确且更快地预测温度和通量剖面。