本研究探讨了反事实解释在可解释人工智能中的应用，提出了一种将其重构为能量最小化问题的新框架。结合扰动理论和统计力学，实验结果表明该方法能够提供可操作的反事实解释，增强对模型敏感性和决策边界的理解。

本研究提出了一种利用简单神经网络识别格点统计力学模型对偶性的方法，成功发现二维伊辛模型的克拉梅尔-瓦尼尔对偶性，并探讨了新的对偶性方向。

本研究解决了人工智能训练过程中对损失最小化原则与统计力学之间联系的理解不足的问题。文章提出了一种新的视角，通过统计力学的基本原理探讨样本浓度行为，并强调了指数家族在建模中的关键作用。研究的主要发现显示了信息理论与统计物理在人工智能领域中的潜在影响。

本文综述了基于机器学习的生成模型，特别是能量基模型（EBMs）在网格场论和蒙特卡罗采样中的应用。介绍了随机归一化流、混合变换流和最大似然训练算法等新方法，强调了采样效率和精度的提升。探讨了EBMs与统计力学的关系及其训练技术，旨在帮助物理学家理解EBMs及其与其他生成模型的联系。

本文介绍了Boltzmann生成器的开发及其在凝聚态物质和蛋白质研究中的应用。该生成器结合深度学习和统计力学，能够高效生成无偏样本，显著提升复杂分子能量表面的探索速度。此外，研究还展示了新型采样器和改进的蒙特卡罗方法在统计物理中的应用，显著提高了采样性能和效率。

该研究论文探讨了正则文法的符号间互信息随符号间距离指数衰减的特性，上下文无关文法符合幂律分布。研究将该现象与统计力学、湍流和宇宙膨胀等领域的幂律相关性联系起来，并讨论了在机器学习中的潜在应用。研究还提出了一种合理的互信息量的量化方式，并探讨了该现象在更复杂的贝叶斯网络中的推广。