在过去的几年里，人们对在深度学习框架中学习哈密顿动力学的兴趣日益浓厚。作为一种基于物理定律的归纳偏差，哈密顿动力学赋予神经网络准确的长期预测、可解释性和数据高效的学习能力。然而，哈密顿动力学还带来了对输入数据的能量守恒或耗散假设以及额外的计算开销 ...

人们对应用机器学习来研究动力系统产生了浓厚的兴趣。我们提出了一个哈密顿神经网络来求解控制动力系统的微分方程。这是一种方程驱动的机器学习方法，其中网络的优化过程仅取决于预测函数，而不使用任何地面实况数据 ...

利用机器学习来预测混沌系统的研究的快速增长，最近重新燃起了人们对哈密顿神经网络 (HNN) 的兴趣，该神经网络具有由哈密顿运动方程定义的物理约束，代表了一类主要的物理增强神经网络。我们引入了一类能够自适应预测非线性物理系统的 HNN：通过从目标哈密顿系统的少量分岔参数值训练基于时间序列的神经网络，HNN 可以预测其他参数值下的动态状态，其中网络尚未接触到有关这些参数值的系统的任何信息。 HNN 的 ...

不同的人有不同的个性化说话风格。尽管现有的一次性头像方法在唇形同步、自然的面部表情和稳定的头部运动方面取得了显着的进步，但它们仍然无法在最终的头像视频中生成多样化的说话风格。为了解决这个问题，我们提出了一种一次性风格可控的说话人脸生成框架 ...

构建能够在任何环境、任何物体上无缝操作的通用机器人，并利用各种技能完成不同的任务一直是人工智能领域的长期目标。然而不幸的是，大多数现有的机器人系统都受到限制——是为特定任务而设计、在特定数据集上进行训练并在特定环境中部署的。这些系统通常需要广泛标记的数据，依赖于特定于任务的模型，在现实场景中部署时存在许多泛化问题，并且很难对分布变化保持鲁棒性 ...

语言模型（LM）已经证明了它们拥有物理世界常识知识的能力，这是执行日常生活任务的一个重要方面。然而，目前尚不清楚**LM是否有能力为具体任务生成扎实的可执行计划。**这是一项具有挑战性的任务，因为LM缺乏通过视觉和物理环境反馈来感知环境的能力 ...

大型语言模型尚未广泛适用于科学数据集的分析，部分原因是数字标记的独特困难。我们提出了 xVal，一种仅使用单个标记表示任何实数的数字编码方案。 xVal 通过按数值缩放专用嵌入向量来表示给定的实数 ...

视频超分辨率（VSR）方法往往比图像方法具有更多的组件，因为它们需要利用额外的时间维度。复杂的设计并不少见。在这项研究中，我们希望解开这个结，并重新考虑由四个基本功能引导的 VSR 的一些最重要组成部分，即： ...