本研究提出了一种新方法，通过AI-牛顿系统在无监督条件下从原始数据中推导物理定律，成功重新发现牛顿第二定律、能量守恒定律和万有引力定律，标志着AI驱动的自主科学发现的重要进展。

本研究提出了一种新方法，将对称性参数化为可学习的守恒量，通过结合贝叶斯模型选择和常规训练，提升模型预测准确性和性能。

本文探讨了有限维代数操作在揭示守恒定律中的应用，强调神经算子在复杂物理系统建模中的有效性。研究表明，结合 Hamilton 力学与神经网络可以提高学习效率，遵循物理守恒定律，并在能量守恒等问题上展现更快的训练速度和更好的泛化能力。

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。

本文研究了物理启发的神经网络的诱导偏差及其应用。研究发现，通过直接建模加速度可以改善神经网络的性能，而不是辛结构或能量守恒。通过放松模型的诱导偏差，可以在能量守恒系统上匹配或超过其性能，并提高非守恒系统上的性能。作者将这种方法应用于通用Mujoco环境的转换模型构建中，实现了基于模型的控制。