利用深度学习技术，本文展示了如何开发一种精确的多尺度系统时间步进方法，通过坐标和流图的联合发现来表示多尺度动态，同时采用迭代时间步进估计减少的变量，实现了最先进的预测准确性，同时减少了计算成本。
Apr, 2024
通过引入学习的多连续介质模型，提出了一种新颖的方法来改进多尺度问题中单连续介质模型的准确性，并通过涉及线性和非线性流方程的数值实验明显改善了模拟结果。
Mar, 2024
通过使用主动学习 (AL)，可以以经济的时间和资源投入及最少的人工干预构建具有鲁棒数据效率的潜力。实现了构建可靠的数据高效势能，并在牵引谱模拟、生化分子构象搜索和 Diels-Alder 反应的时间分辨机理研究中展示了该协议的多功能性。
利用神经算子的混合模型有效缩短了气候、化学或天体物理领域的数值模拟所需的计算成本、提升了模型预测精度、并提供了更灵活的可靠的参数化方法。
Jul, 2022
本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量，相较于基于神经网络或最近邻算法的降阶模型，操作器学习方法能够在更少的数据点上实现更广的预测泛化。
Feb, 2022
采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。
Jan, 2021
本文主要研究多尺度问题，在固体力学中应用深度算子网络进行模型预测和数值模拟，以解决初始边界值问题，并利用数值均化方法将微观结构属性融入宏观计算分析，最终通过混合方法得出准确的结果。
May, 2024
使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。
May, 2023
本研究使用机器学习模型逆向预测了网格加粗导致的信息丢失程度，并将该信息加回到低分辨率模拟中以提高模拟质量，并演示了此方法在加速模拟过程中不会牺牲解的精度，从而使 CFD 的代价 / 精度权衡更有利。
Apr, 2023
通过基于计算方法和资源的不断进步，超大规模虚拟筛选成为一种重要的策略，而主动学习方法在迭代小规模对接和机器学习模型训练中有效地减少了计算成本。本文通过六个受体靶点的基准研究，探究了在仅考虑二维结构的情况下，主动学习方法如何有效地预测对接分数及其适用条件。研究发现，代理模型往往通过记忆从获得步骤中获取的高对接得分化合物中普遍存在的结构模式，虽然如此，代理模型在虚拟筛选中仍然具有使用价值，比如在 DUD-E 数据集中鉴定活性化合物以及 EnamineReal 库中高对接得分化合物的初步筛选。我们的综合分析强调了主动学习方法在虚拟筛选中的可靠性和潜在应用性。
Jun, 2024