20世纪末期，统计物理学家便开始从各种角度研究复杂系统的各个分支，比如生物，复杂网络，和新兴的机器学习和大数据。由于复杂系统的自由度越来越高，模型越来越复杂，从物理的角度出发寻求解释也变得日益重要。物理学家利用统计物理给复杂系统领域带来了许多新的思考，同时复杂系统的发展需求也给统计物理带来很多新的方向。　　本文将分三个方向讨论统计物理在算法科学上的应用。第一是模拟加速问题，我们主要研究如何构建粗粒化力场，用于加速蛋白质折叠，我们目的是要构建能够保持自由能曲面的粗粒化算法，方法是自适应混合粗粒化。第二是深度学习，我们研究超深网络当中的训练退化现象，训练退化指的是非常深的网络性能比不上浅的网络。借助于统计物理当中局域化以及自旋玻璃等思想，我们提出新的训练退化解释，并初步讨论深度学习的机制，这部分主要是实验。第三是逆增强学习，现行的逆增强学习框架是基于最大熵的对抗训练，直到生成模型领域的突破性进展，才使得逆增强学习理论被进一步推广，我们在这个部分主要讨论算法理论本身的，并指出几个重要的定理，这些定理的证明同统计物理当中的密度泛函联系非常紧密。