Model checking其他的俺不懂，但用在statistical relational learning的算法中很有一些是奠基于SAT solver的进步上。另外，SAT技术也革命化了planning（e.g., SAT-Plan).

很有意思的是，SAT solver以及Markov chain Monte Carlo里最新进展，很多都是从统计物理中来的。ML最近红火的graphical models概率模型其中一个名字就叫Gibbs distribution。还有gibbs sampling(又名heat bath)是最常用的MCMC方法。GS是Metropolis-Hasting的特例，而Metropolis起初是为了帮Fermi，Taylor他们计算原子弹。

不过，就像机器学习提出了超出传统统计的新挑战一样，它考虑的问题也超过了传统统计物理的地盘。后者关注的Ising model之类是前者需要用到Markov random field的比较简单的特例。

CS另一个令人兴奋的特点是它可以与任何传统科学结合形成computational X的新边疆。譬如俺对生物最感兴趣，刚进graduate school曾经考虑做computational biology。现在呢虽然主要做NLP，也是有意往生物靠，譬如从Pubmed文献里抽取知识。希望将来有一天能真正涉足生物（譬如predict gene regulatory network, infer gene function from expression data, ...）。