本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。

May, 2023

本文介绍了一种用于机器学习路径损耗预测的新型增强数据方法，通过将合成数据与真实数据相结合，显著改善了模型在不同环境中的泛化能力，取得了可观的均方误差改进。

Feb, 2024

开发使用 Python 编写的 ManimML 动画库，以使机器学习从业人员可以轻松地从代码中生成 ML 算法的动画。ManimML 具有类似于流行的深度学习框架（如 Pytorch）的语法，可以将预先存在的神经网络架构转换为动画.

Jun, 2023

介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展，同时探讨了在此领域中的一些挑战。

Nov, 2019

本文介绍了 Rafiki 系统，它是一个能够在大数据分析、机器学习、云平台中为训练和推断提供服务的系统，其提供了分布式超参数调整和在线组合模型的功能，以实现低延迟和高准确度的平衡，在实验结果中表现出了高效、有效、可扩展和易用的特点。

Apr, 2018

本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

Apr, 2023

本文介绍一种训练框架，可对机器学习进行科学计算，并通过缓存数据来减轻同时生成数据的时间延迟。实验表明，该框架在多参数 Lorenz 吸引子的测试中成功缓解了数据偏差，从而可以更好地捕捉系统的复杂混沌动态。

Nov, 2022

通过机理模型，我们可以预测反应产物、发现新反应，并预测杂质。本研究构建了一个数据集，通过专家反应模板在实验报告的反应物和产物之间填补中间体，然后使用机器学习模型对该数据集进行训练。我们探索了模型的性能和能力，特别关注其预测反应途径以及催化剂和试剂的作用。此外，机理模型在预测杂质方面具有潜力，这通常被传统模型所忽视。最后，我们评估了机理模型在新的反应类型上的推广能力，并揭示了数据集多样性、连续预测和原子守恒违规方面的挑战。

Mar, 2024

这篇论文介绍了一种用于训练、自我优化和自我组织的代理模型方法论框架，用于逼近和加速多物理模拟，通过与两种优化算法和一种综合评估策略的结合训练和优化管道的性能评估，实验证明了代理模型能够准确逼近基础模拟，并使用可解释的 AI 技术分析代理模型并进行预选择策略以确定真实示例中最相关的特征。

Sep, 2023

SIMBa 是一种使用反向传播的离散线性多步提前状态空间系统辨识方法家族，它通过引入 Schur 矩阵的基于线性矩阵不等式的自由参数化来确保辨识模型的稳定性。SIMBa 通常胜过传统线性状态空间辨识方法，并能在同时实现最先进的拟合性能和稳定性的情况下，承担更高的计算负担。

Nov, 2023