利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应，但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略，允许保持问题的多尺度特性，并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变，并保留微观本构材料模型以获得应力，我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度，并允许非局部性产生。通过对各种网格进行训练，GNN 学习了对未见过的网格的泛化，使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量，并提高了准确性。我们证明了对于几个具有挑战性的情景，代理模型能够预测复杂的宏观应力 - 应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律，因此我们的方法可以显著加速 FE2 模拟。

Feb, 2024

本研究介绍了一种计算机有效的均质化代理模型，采用变压器神经网络体系结构捕捉各种微观结构和组分的知识，预测均质化应力应变响应，以及测试了两种微观结构编码方法的性能。

Apr, 2023

近年来，加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值，必须考虑制造过程，并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法，涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题，即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法，在金属成型过程中制造具有所需属性的晶体纹理，展示了该方法的功能。

Dec, 2023

本研究探究了基于混合物理的数据驱动代理模型，利用嵌入神经网络中的组分模型中所包含的物理学知识来进行异质材料的微观分析。通过引入适用于有限应变框架下速率依赖性材料的体态循环神经网络 (PRNN) 架构，将显微模型的均质变形梯度编码为一组作为嵌入组分模型输入的变形梯度，在可预测均质应力的解码器中将这些组分模型计算的应力进行组合，以使得历史依赖性构成模型的内部变量自然地为网络提供以物理为基础的记忆。通过考虑具有横向各向同性弹性纤维和弹 - 粘塑性基质材料的单向复合显微模型，测试了替代此类显微模型的代理模型的外推性能，包括不同应变速率、循环加载和松弛过程。与原始显微模型运行时间相比，获得了三个数量级的加速。

Apr, 2024

使用神经网络进行直接多尺度拓扑优化的新方法，通过反向均质化来优化每个细胞以实现良好的连接性，持续改善相邻微结构细胞之间的兼容性，实现 n 维多尺度优化问题的 2n 维反向均质化问题。

Apr, 2024

通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。

Oct, 2023

本研究提供具有异性组分的材料的有效均质化模型的神经网络体系结构，通过等变和张量基础运算，满足等变性和材料对称性原则，展示了在不同纹理和相位的随机体积元数据集上，这些网络体系结构提供了显著的性能改进。

Apr, 2024

研究表明，基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一，并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明，即使不要求最优的立体结构输入，利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。

Jul, 2018

本论文提出利用晶体图卷积神经网络 (CGCNN) 可直接从晶体原子之间的联系学习材料物性，有效提高了晶体材料设计的效率，并能够提取局部化学环境对全局物性的贡献，为晶体材料的设计提供了经验规则。

Oct, 2017

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