本研究提出一种新的有限元自适应网格细化方法，将其视为马尔可夫决策过程，并应用深度强化学习进行训练，从而解决了传统方法对瞬时误差估计的依赖问题，并通过静态函数估计和时间依赖方程等实验验证了该方法的可行性和有效性。

Mar, 2021

本文介绍了一种 AMR 的全新游戏式拓展，使用深度多智能体强化学习算法 VDGN，解决了 AMR 的几个核心挑战，实现了错误和成本度量的全局最优解。

Nov, 2022

我们将自适应网格细化（AMR）作为一种协作、均质代理系统，通过迭代地分裂成多个新的代理来降低最大网格元素误差，从而提供了高效、稳定的优化，并在用户定义的分辨率下生成高度自适应网格。ASMR 在大量实验中展现了优于启发式方法和学习基准的性能，并在推理过程中在不同领域上推广，而且在更高要求的设置中产生比均匀细化快两个数量级的模拟网格。

Jun, 2024

使用 Swarm 强化学习及 Graph 神经网络，将自适应网格细化问题形式化为协作系统，优于传统基于误差的方法，可在复杂模拟中提高准确性和效率。

Apr, 2023

基于图神经网络的新方法用于解决有限元方法中网格自适应的问题，通过直接最小化网格点位置对有限元解误差的训练，取得了非常高效和有效的在线自适应效果，同时在测试问题中优于传统和先前的机器学习方法，特别是在减少有限元解误差的同时保持了先前机器学习工作中观察到的显著加速。

Jul, 2024

本文提出，实现并评估了一种基于强化学习的计算框架用于自动网格生成，通过将网格生成问题转化为马尔可夫决策过程，使用 “软玄学家” 算法对自动生成的网格进行学习，使我们能够建立一个完全自动化的网格生成系统，填补现有网格生成工具的空白。

Mar, 2022

本文提出了一种新的计算框架，名为 “SRL-assisted AFM”，通过结合前进算法和神经网络，使用具有策略网络的神经网络来选择参考点和更新前向边界，结合监督学习和强化学习来改进网格质量。最终的强化学习神经网络可以自动为具有锐利特征和边界层的复杂平面区域生成高质量的四边形网格。

Apr, 2023

本文探讨了基于强化学习技术在高阶求解器中优化计算网格中多项式阶数的应用，通过 actor-critic RL 模型的数据驱动方法使代理人学习最优网格修改，以最大化计算效率和准确度，科学测试完成表明该策略能高效提升计算效率同时提升准确度，降低人为干预。

Jun, 2023

使用多智能体强化学习在低分辨率偏微分方程中确定闭合项，通过卷积神经网络高效地表示中央策略，进行模拟并展示了准确预测和显著加速的结果。

Feb, 2024

提出了 Action-specific Deep Recurrent Q-Network (ADRQN) 的新体系结构，该体系结构使用 LSTM 层来学习潜在状态，以增强在多个部分可观察领域的学习性能，包括 Atari 游戏。

Apr, 2018