Audio Physical Dynamics Inspired Deepfake Detection for Voice Authentication Systems
School of Information Technology, Deakin University（信息科技学院，德金大学）
本文提出一种结合物理指导的深度伪造检测与边缘学习不确定性的框架，用于提升网络语音认证系统的鲁棒性。
2026-08-19 cs.AI cs.SD eess.AS
Physical Reservoir Computing Enabled by Solitary Waves and Biologically-Inspired Nonlinear Transformation of Input Data
Charles Sturt University（查尔斯特大学）
本文利用液膜表面孤波实现物理储层计算，以输入数据的非线性变换替代随机性，并用微控制器验证其可作为传统RC算法下一代改进的简单硬件对应物。
2024-01-03 cs.AI cs.NE nlin.CD
Graph Coloring Approach to Solving Sudoku with Oscillatory Neural Networks
研究提出用振荡神经网络求解数独，将其转化为图着色问题，通过修改求解器并引入附加项，在准确性上优于现有求解器，在4×4和9×9数独上分别有近乎完美及较高准确率。
2026-07-20 cs.LG
Structure Learning of $H$-colorings
Georgia Institute of Technology（佐治亚理工学院）；University of Rochester（罗切斯特大学）
我们研究了$H$ -着色的结构学习问题，这是一类重要的马尔可夫随机场，它捕获了图上的关键组合结构，包括适当的着色和独立集，以及统计物理中的自旋系统。学习问题如下：对于一个固定的（和已知的）约束图$H$与$q$颜色和一个未知的图$G=(V,E)$与$n$顶点，给定$G$的均匀随机$H$ -着色，需要多少样本来学习未知图$G$的边？我们给出了$H$的一个特征，对于该特征，每个$G$的问题都是可识别的，即，我们可以用无限多的样本来学习$G$。我们还表明，有可识别的约束图，其中一个不能希望有效地学习每个图$G$。我们特别关注的情况下，适当的顶点$q$着色的图形的最大程度$d$有趣的连接统计物理相变出现。我们证明，在树的唯一性区域（当$q>d$）的问题是可识别的，我们可以学习$G$在${\rm poly}(d,q) \times O(n^2\log{n})$的时间。与此相反，软约束系统，如伊辛模型，最好的可能的运行时间是指数在$d$。在树的非唯一性区域（当$q\leq d$），我们证明了这个问题是不可识别的，因此$G$不能学习。此外，当$q<d-\sqrt{d} + Θ(1)$，我们证明，即使是学习一个等价的图（任何图具有相同的一组$H$ -着色）是计算困难的-样本复杂性是指数在$n$在最坏的情况下。我们进一步探讨了结构学习问题的效率/难度与一般$H$ -着色的唯一性/非唯一性相变之间的联系…
2018-04-24 cs.DM cs.LG math.CO
Learning Hard-Constrained Models with One Sample
University of Oxford（牛津大学）；Yale University（耶鲁大学）；MIT（麻省理工学院）
该研究针对单样本硬约束马尔可夫随机场参数估计问题，基于伪似然估计器与耦合技术，给出了$k$-SAT、$q$-着色及$H$-着色模型的可估条件与线性时间算法，同时证明了若干不可识别情形。
2023-11-06 cs.DS cs.LG math.ST
Phys-Diff: A Physics-Inspired Latent Diffusion Model for Tropical Cyclone Forecasting
Phys-Diff通过结合物理启发的归纳偏置和多模态数据整合，提升热带气旋预测的物理一致性与性能
2026-02-28 cs.AI cs.LG
An Explainable Probabilistic Classifier for Categorical Data Inspired to Quantum Physics
Institute of Financial Analysis（金融分析研究所）；Université de Neuchâtel（纳沙泰尔大学）；Università degli Studi di Milano（米兰大学）
本文提出了稀疏张量分类器（STC），一个监督分类算法的分类数据的启发，在量子物理学的状态叠加的概念。通过将观测视为特征的叠加，我们在机器学习中引入了波粒二象性的概念，并提出了一个统一经典和量子概率的广义框架。我们表明，STC具有广泛的理想属性，大多数其他机器学习方法中没有，但它是在同一时间非常容易理解和使用。STC对结构化数据和文本分类的实证评估表明，与标准分类器和深度学习相比，我们的方法实现了最先进的性能，额外的好处是需要最少的数据预处理和超参数调整。此外，STC为单个实例和全局每个目标标签提供了其预测的本地解释。
2021-05-26 cs.AI cs.LG quant-ph
Physics-inspired transformer quantum states via latent imaginary-time evolution
Graduate School of Information Science and Technology, The University of Osaka（信息科学与技术研究生学校，大阪大学）；Fujitsu Laboratories, Fujitsu Limited（富士通实验室，富士通有限公司）；Center for Advanced Intelligence Project, RIKEN（先进智能项目中心，理化学研究所）
本文提出受物理启发的变换器量子态（PITQS），通过共享权重和Trotter-Suzuki分解提高精度，以更物理化的视角设计量子态近似方法。
2026-02-03 cond-mat.dis-nn cs.LG quant-ph
DFReg: A Physics-Inspired Framework for Global Weight Distribution Regularization in Neural Networks
Independent Researcher（独立研究者）
本文提出受密度泛函理论启发的DFReg方法，通过对神经网络全局权重分布施加泛函惩罚，在不改架构、不加随机扰动的情况下实现结构正则化。
2025-06-30 cs.LG
Quantum-inspired annealers as Boltzmann generators for machine learning and statistical physics
Russian Quantum Center（俄罗斯量子中心）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；University of Oxford（牛津大学）；P. N. Lebedev Physics Institute（P. N. 列别杰夫物理研究所）
如今，量子模拟器和处理器正在迅速改进，但它们仍然无法解决具有实用价值的复杂和多维任务。然而，某些数值算法的灵感来自真实的量子设备的物理证明是有效的应用到特定的问题，有关，例如，组合优化。在这里，我们实现了一个数值退火的基础上模拟相干伊辛机作为一种工具，从一个高维玻尔兹曼概率分布与经典伊辛哈密顿定义的能量泛函采样。由这样的生成器提供的样本然后被用于该分布的配分函数估计和用于一般玻尔兹曼机的训练。我们的研究为数值量子退火器的实际应用打开了一扇大门。
2019-12-18 cs.ET cs.LG quant-ph
AI Feynman: a Physics-Inspired Method for Symbolic Regression
Massachusetts Institute of Technology（麻省理工学院）；Theiss Research（Theiss研究院）
物理学和人工智能（AI）的一个核心挑战是符号回归：找到一个与未知函数的数据相匹配的符号表达式。虽然这个问题在原则上可能是NP难的，但实际感兴趣的函数通常表现出对称性，可分性，组合性和其他简化性质。本着这种精神，我们开发了一种递归多维符号回归算法，该算法将神经网络拟合与一套物理启发的技术相结合。我们将其应用于费曼物理学讲座中的100个方程，它发现了所有这些方程，而以前公开的软件只能破解71个;对于更困难的测试集，我们将最先进的成功率从15%提高到90%。
2020-04-15 cs.AI cs.LG hep-th
Spectral-inspired Operator Learning with Limited Data and Unknown Physics
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学光明学院人工智能学院）
提出光谱启发神经算子（SINO），通过从频率索引自动捕获局部和全局空间导数，仅需2-5条轨迹即可建模复杂系统，无需显式PDE项，在2D和3D PDE基准上实现1-2个数量级的精度提升。
2026-05-22 cs.AI cs.LG
Training and Benchmarking Code Generation for Physics-Inspired Animations
SimuScene通过训练和基准测试代码生成模型，旨在提高模拟物理场景的能力，实验显示即使最强模型也仅达21.5%的通过率，表明该任务具有挑战性。
2026-08-14 cs.LG
Physics-Inspired Binary Neural Networks: Interpretable Compression with Theoretical Guarantees
提出物理启发的二值神经网络PIBiNN，结合数据驱动单比特量化与物理预定义稀疏性，实现低于每权重一比特的压缩率，在内存效率和泛化能力上优于三值化及通道级量化等基线方法。
2025-10-11 cs.LG
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking
New York University（纽约大学）
精确建模四旋翼的系统动力学对于保证敏捷、安全和稳定的导航至关重要。该模型需要捕捉多个飞行状态和操作条件下的系统行为，包括那些产生高度非线性效应的行为，如气动力和扭矩、旋翼相互作用或可能的系统配置修改。传统的方法依赖于手工制作的模型，并且难以概括和扩展以捕捉这些效果。在本文中，我们提出了一种新的物理启发的时间卷积网络（PI-TCN）的方法来学习四旋翼的系统动力学纯粹从机器人的经验。我们的方法结合了稀疏时间卷积和密集前馈连接的表达能力，以做出准确的系统预测。此外，在训练过程中嵌入了物理约束，以促进网络对训练分布之外的数据的泛化能力。最后，我们设计了一个模型预测控制方法，它结合了学习动态准确的闭环轨迹跟踪充分利用学习模型预测在滚动时域的方式。实验结果表明，我们的方法准确地提取四旋翼的动力学结构的数据，捕捉效果，将保持隐藏的经典方法。据我们所知，这是第一次将物理启发的深度学习成功应用于时间卷积网络和系统辨识任务，同时实现预测控制。
2022-10-07 cs.AI cs.LG cs.RO
Physics-Inspired Deep Learning and Transferable Models for Bridge Scour Prediction
The University of Melbourne（墨尔本大学）
本文提出融合物理经验方程与LSTM、CNN的SPINNs框架及可迁移模型，用于桥梁冲刷预测，显著提升了预测精度并改善数据有限桥梁的建模效果。
2024-09-10 cs.LG
Large-Scale 3D Ground-Motion Synthesis with Physics-Inspired Latent Operator Flow Matching
本文提出GMFlow框架，通过物理参数生成大规模区域的真实地面运动时间序列，实现900万网格点的时空一致运动，比传统模拟快1万倍，为分布式基础设施的快速不确定性评估提供新方法。
2026-03-18 cs.LG
Spectral Generative Flow Models: A Physics-Inspired Replacement for Vectorized Large Language Models
UC Berkeley（伯克利大学）
谱生成流模型通过物理启发的连续场演化机制，替代传统向量大语言模型，实现长程一致性、多模态通用性和物理结构归纳偏置。
2026-01-21 cs.CL cs.LG
Learning Collective Variables with Synthetic Data Augmentation through Physics-Inspired Geodesic Interpolation
Massachusetts Institute of Technology（麻省理工学院）；Systems Biology Program（系统生物学项目）；Department of Materials Science and Engineering（材料科学与工程系）
提出一种无模拟的数据增强策略，通过物理启发的测地线插值生成类似蛋白质折叠转变的合成数据，以提升集体变量学习的准确性和采样效率。
2024-07-19 cs.LG physics.chem-ph q-bio.BM
Physically-Inspired Gaussian Process Models for Post-Transcriptional Regulation in Drosophila
Mines Saint-Étienne（圣埃蒂安矿业学院）；University of Sheffield（谢菲尔德大学）
果蝇的调节过程被彻底研究，以了解各种各样的生物学原理。虽然在转录步骤中分析了模式形成基因网络，但转录后事件（例如翻译、蛋白质加工）在建立蛋白质表达模式和水平中起重要作用。由于果蝇的转录后调控依赖于mRNA和间隙蛋白之间的时空相互作用，因此需要适当的物理随机模型来研究这两个量之间的联系。以前的研究尝试表明，在分析监管网络时，使用高斯过程（GP）和微分方程可以得到有希望的预测。在这里，我们的目标是进一步研究两种类型的物理启发GP模型的基础上的反应扩散方程的主要区别在于在哪里放置的先验。虽然其中一个已经研究了以前只使用蛋白质数据，另一个是新的，并产生一个简单的方法，只需要核函数的微分。与其他随机框架相比，这里不需要离散空间。根据gap基因mRNA表达数据的可用性，在不同条件下测试两种GP模型。最后，在描述果蝇早期胚胎胚盘阶段的高分辨率数据集上评估了它们的表现
2019-05-21 cs.LG stat.AP stat.ML
HankelKANet: Lightweight Path Loss Estimation via Physics-Inspired Hankel Convolution
School of Computer Science and Technology, Anhui University of Technology（安徽工业大学计算机科学与技术学院）；Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院电气电子工程系）
本研究提出轻量级物理启发式网络HankelKANet，将汉克尔函数参数化卷积核嵌入残差UNet，在减少78%参数的同时降低RMSE，实现路径损耗估计的精度与效率提升，且具备跨数据集迁移能力。
2026-10-14 cs.LG cs.NI
Bio-Inspired Adversarial Attack Against Deep Neural Networks
Purdue University（普渡大学）；University of Chicago（芝加哥大学）
本文开发了一种新的针对深度神经网络（DNN）的对抗攻击，基于将生物启发设计应用于移动物理对象。据我们所知，这是第一个引入移动物体物理攻击的作品。而不是遵循现有文献中的主导攻击策略，即，为了给数字输入或静止的物理对象引入微小的扰动，本文提出了两种新的成功的攻击策略。我们通过将几个模式叠加到一个物理对象上来展示，DNN变得混乱并选择其中一个模式来分配类别标签。我们对三个扑翼机器人的实验证明了开发一种对抗性伪装的可能性，以引起DNN的目标错误。我们还表明，某些运动可以减少视频中连续帧之间的依赖性，并使对象检测器“盲目”，即，无法检测视频中存在的对象。因此，在针对DNN的成功物理攻击中，还应考虑针对系统的目标运动。
2021-06-30 cs.CR cs.LG
Hybrid Meta-Learning Framework for Anomaly Forecasting in Nonlinear Dynamical Systems via Physics-Inspired Simulation and Deep Ensembles
Department of Computer Engineering, Middle East Technical University (METU)（计算机工程系，中东部技术大学）
针对非线性动力系统的异常预测问题，提出融合物理启发仿真器与多种深度学习模型的混合元学习框架，经实验验证其在异常定位等方面性能优于单一模型，可用于无完整物理模型场景的早期缺陷识别。
2025-06-15 cs.LG cs.SY eess.SY
