本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统，学习多个领域的知识，从而可以进行上下文感知预测和评估异常严重性，该模型可以应用于机器学习和神经形态计算等领域。

Oct, 2021

基于变换器结构的核弹性自编码器（KAE）是一个自我监督的生成模型，通过修改的最大均值偏差和加权重构函数，解决了同时实现有效生成和准确重构的长期挑战，并在分子设计中取得了显著的多样性和近乎完美的重构，超越了之前的分子生成模型。KAE 实现了条件生成，在受限优化中基于波束搜索进行解码，表现出了优于训练数据集中所有现有候选物的最新性能。除了分子设计，我们预计 KAE 可以应用于解决一系列生成问题。

Oct, 2023

该论文探讨了如何将物理先验知识加入数据驱动模型，提高模型的质量和稳定性，并以 Lyapunov 分析为视角，通过研究液体流动预测的典型问题，验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。

May, 2019

在航空航天工程系统的高效设计探索中，使用嵌入仿真器的神经网络，并充分利用多样化数据源对多个模型实现进行训练，以评估由于训练样本不足而引起的认知建模不确定性，并在目标导向的自适应学习中提供关键信息。然而，由于集成模型的训练成本往往变得禁止并带来计算上的挑战，所以本研究提出使用快速神经网络范例的新型嵌入仿真器的神经网络，通过应用线性回归技术仅调整最后一层的连接权重，以在几乎即时训练的情况下保持预测准确性。该方法在多个分析实例和通用高超声速飞行器的航空参数研究中得到了验证。

Sep, 2023

本文的重点是将物理约束嵌入神经网络的结构中，以解决神经网络在物理应用中缺乏可解释性和物理不可知设计的问题，通过限制可调参数并添加特殊层，保证所需约束不需要显式正则化项即可满足，为解决函数的奇偶对称性和能量守恒问题提出了监督和非监督网络，并提出了一种嵌入所谓辛结构的无监督神经网络解决系统的守恒微分方程，表现出比非辛神经网络更好的性能。

Apr, 2019

传统的偏微分方程求解器计算成本较高，这促使了更快速方法（如减小的秩模型）的开发。我们提出了 GPLaSDI，一种混合深度学习和贝叶斯减小的秩模型。GPLaSDI 在完全秩模型数据上训练自编码器，并同时学习控制潜在空间的简化方程。这些方程与高斯过程插值，即使用有限的 FOM 求解器访问，也能进行不确定性量化和主动学习。我们的框架能够在流体力学问题上实现高达 100,000 倍的加速和少于 7% 的相对误差。

Dec, 2023

本文提出了一种基于物理约束的深度学习模型，通过自动回归密集编码器 - 解码器卷积神经网络建模非线性动力学系统，实现对时间步骤的预测量进行不确定性量化，并利用其在多个非线性瞬态偏微分方程系统上进行测试。

Jun, 2019

本文使用全可微分物理模型与深度学习相结合，提出了一种汽车非完整动力学建模方法，相比于普通神经网络模型，本方法有更好的广义泛化性能，使用其提取出的潜在特征，可以准确地描述车胎侧向力，同时，在两个自动驾驶任务中，基于该潜在特征的风险感知模型预测控制器能够在未知摩擦力下优于基准控制框架。

Jul, 2022

提出一个基于神经符号学习的 KG 推理模型，通过结合 KG 嵌入和规则学习模块来实现语义关联的增强和解释能力的提高，实验表明这一模型在神经符号学习方面表现优异。

Dec, 2021

该研究论文利用深度神经网络与 Lagrangian 力学相结合，提出一种新的加速弹性形变物体模拟的算法，通过利用复杂度有限差分和反向神经自动微分策略，解决了非线性力平衡的挑战，进一步设计了采样网络和加权网络，使得该方法更加具有普适性。

Feb, 2021