利用机器学习方法开发数据驱动的移动定律的图神经网络模型，提高离散位错动力学模型的准确性与速度，并模拟金属塑性过程中的应力和位错行为。

Sep, 2023

长序列建模中性能和计算效率之间的权衡成为现有模型的瓶颈，本文基于控制理论中具有多输入和多输出的连续状态空间模型（SSMs），提出了一种新型神经网络，称为线性动力学嵌入神经网络（LDNN）。通过对角化和解耦然后快速傅里叶变换（FFT）的两种高效策略，将卷积的时间复杂度从 O (LNHmax {L, N}) 降低到 O (LNmax {H, log L})，实现了 LDNN 在长序列任务中的少参数、灵活推断和高效训练。我们通过双向非因果和多头设置进一步改进了 LDNN，以适应更广泛的应用领域。对长距离竞技场（LRA）进行了大量实验证明了 LDNN 的有效性和最先进的性能。

Feb, 2024

本文利用不同种类的机器学习模型，研究并提高了分子动力学模拟的分辨率，证实双向 LSTM 模型是表现最好的模型，其能够在轨迹插值方面达到 10^-4 埃的精度，从而为更大系统的建立和更好的分子动力学积分器的构建奠定了基础。

Jan, 2022

对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为 Latent Dynamics Network 的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

Apr, 2023

本研究通过开发深度学习 (DL) 框架，仅根据患者的特定左心房附属物（LAA）几何形状来预测与血栓形成风险相关的内皮细胞活化潜力（ECAP）分布，建立在几何 DL 的最新进展基础上，该模型在综合合成和 54 个真实的 LAA 数据集上进行训练，平均平均绝对误差为 0.563。

Oct, 2022

本文介绍了一种新的基于深度学习的物体检测器 DenseSSD，能够有效地提高化学实验室自动化工作的安全性和效率。该物体检测器可以在复杂和嘈杂的场景中实现超过 95% 的平均精度，并且对于环境变化方面相当鲁棒。这种方法的可扩展性很强，在其他需要高精度和高速检测的应用中都有很好的应用前景。

Jun, 2022

本文提出了一种深度连续学习算法 ADL，它采用灵活的结构，通过自构建网络结构从头开始构建网络。ADL 通过不同深度结构来解决灾难性遗忘问题，并提出了 NS 公式、DDS 和 MICI 方法来驱动隐藏节点增长和剪枝机制、检测数据流中的分布变化并消除冗余层。在九个常见的数据流问题上进行的测试表明，ADL 能够在维持网络结构自动构建的同时，比其他现有的连续学习方法更具实效性。

Oct, 2018

本文采用卷积神经网络 (CNN) 来预测多孔介质的基本属性。该文分两项任务，第一项任务是利用几何分析来预测孔隙率和有效扩散系数，第二项任务则是通过重构系统的几何和浓度图来完成。其中，本文提出了两种不同种类的 CNN 模型，分别为 C-Net 和 U-Net。此外，U-Net 能够准确地重构浓度场，而且在各种数据类型上都表现出了良好的性能。

Apr, 2023

利用局部收敛输入开发了一种神经网络模型（NNLCI）来高保真预测使用非结构化数据的问题，应用于考察凸起通道中无粘跨音速流动的不同凸起几何结构和位置对流动结构的影响进行系统化研究。

Oct, 2023

本研究提出了一种名为 NeuroFluid 的深度学习算法，可对复杂粒子系统（如流体）的物理动态进行建模，并能够通过训练两个模型来实现无监督学习粒子流体动力学，包括粒子驱动神经渲染器和物理转换模型。结果表明，该算法可以合理地估计不同初始形状，粘度和密度的流体的基本物理特性。

Mar, 2022