本研究探讨了在无人水下器（UUV）的设计过程中，采用计算流体动力学（CFD）与基于深度神经网络（DNN）的代理模型相结合，通过贝叶斯优化（BO）实现高效样本及快速数据驱动的 UUV 设计优化问题，结果表明，BO LCB 算法是最具高效的优化框架，DNN 代理模型可以实现计算的极速提升与相关精度的优化。

Apr, 2023

运用基于人工智能的优化算法和计算流体动力学模拟技术，以最小化抗阻力为目标，研究了一种优化船体设计，旨在探索一种具有通用性的设计，在所有操作条件和环境条件下都提供最小的阻力或接近最佳设计。早期结果表明，在低速度和低湍流条件下找到的最优设计在高速度和高湍流条件下性能非常差，然而，在高速度和高湍流条件下最优的设计在许多考虑的速度和湍流条件下表现得接近最佳。

Feb, 2023

贝叶斯优化是一种强大的技术，可用于优化噪声大、昂贵难评估的黑箱函数，在科学、工程、经济、制造等领域具有广泛的实际应用。本文概述了贝叶斯优化在下一代过程系统设计中的最新进展、挑战和机遇，并介绍了如何利用高级贝叶斯优化方法更有效地解决这些应用中的重要问题。最后，我们总结了提高概率模型质量、选择下一个样本点的内部优化过程以及利用问题结构提高样本效率方面的挑战和机会。

Jan, 2024

本文介绍了利用已知系统结构和先前的物理知识创造受约束的深度神经动力系统模型的具有不同程度领域知识的控制定向参数模型。使用通用微分方程构造了 AUV 动力学的数据驱动的黑盒和灰箱表示，评估了不同初始条件和控制输入的学习模型的预测性能，以评估其准确性，泛化性和控制适用性。

Aug, 2022

本文提出了使用计算机辅助有限元分析进行机械桁架的几何优化，利用贝叶斯优化算法使桁架的形状在不产生应力的情况下，最大化其承载能力，以提供基于人工智能的优化的研究方法。

May, 2023

本文提出了一个深度学习物理优化 (DLPO) 框架，用于设置迪斯堡测试用例 (DTC) 集装箱船的形状优化研究，并展示了两个不同的应用程序：(1) 敏感度分析，用于检测最有前途的通用基础船体形状，以及 (2) 多目标优化，用于量化最优船体形态之间的权衡。DLPO 框架允许自动端到端地评估设计迭代。该模型是由 Extrality 的 Deep Learning Physics (DLP) 模型与 CAD 引擎和优化器相结合而实现。我们的 DLP 模型训练完整的来自 RANS 模拟的三维体积数据，可以实时提供准确和高质量的三维流预测，从而使其成为评估新集装箱船设计在水动力效率方面优化的良好评估器。最终，我们得出结论 DLPO 框架是加速船舶设计过程，并导致具有更好水动力性能的更有效的船舶的有前途的工具。

Jun, 2023

本研究提出了一种新的贝叶斯优化框架，用于考虑输入不确定性的多目标优化，包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿，并通过数值基准测试证明了其有效性。

Feb, 2022

本文提出了一种基于 Bayesian 优化的自动化工程设计方法，该方法可优化符合设计要求的设计参数，避免了传统设计方案测试的耗时成本，并且该方法具有普适性，可扩展性和高效性。

Jun, 2022

机器人技术和自动化为解决材料发现等难以处理的多变量科学问题提供了巨大的加速，而巨大的搜索空间可能令人望而生畏。贝叶斯优化（BO）已成为一种流行的高效样本优化引擎，在目标函数 / 属性没有已知的解析形式的任务中蓬勃发展。本文利用专家人类假设的形式来更快地将贝叶斯搜索定向到化学空间的有前途的区域。我们提出的方法称为 HypBO，利用专家人类假设生成改进的样本种子。不太有希望的种子被自动折扣，而有希望的种子被用于增加代理模型数据，从而实现更有信息的抽样。这个过程在一个全局与局部搜索的框架中继续进行。我们在一系列合成函数上验证了我们方法的性能，并在一个真实的化学设计任务上展示了其实用性，其中使用专家假设显著加速了搜索性能。

Aug, 2023

通过理论和实践方面的研究，发现在拥有噪声的约束贝叶斯优化中，通过识别高置信度兴趣区域，相交这些区域得出最终兴趣区域，并利用平衡优化和可行区域识别的新型获取函数，为其性能获得严谨的理论证明。

Oct, 2023