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。

本文介绍了一种使用神经网络来参数化任意Lagrangian的方法，称为Lagrangian神经网络（LNNs）。该方法适用于标准动量未知或难以计算的情况，并且能够产生遵守能量守恒条件的模型。通过测试双摆和相对论粒子，证明了该方法在建模时不会损耗能量，并可应用于图形、连续系统和一维波动方程。

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。