利用神经网络的数据驱动本构模型，在加入物理和机制约束的同时，通过训练及 $l^0$ 正则化的方法，实现了可解释性和可信赖性的简约化表征，适用于可压缩与不可压缩高弹性、屈服函数和强化模型的合成和实验数据。

Oct, 2023

本研究提出了一种混合神经网络和 PDE 方法，用于从运动观测中学习可推广的 PDE 动力学，利用被称为 “神经构成定律” 的新框架，该框架利用严格保证标准构成优先条件的网络架构，在各种大形变动力学系统上验证其可行性，并展示了在新几何、初边界条件、时间范围以及多物理系统等极度不适合范围内的泛化任务上，其准确性优于以前的 NN 方法。

Apr, 2023

提出了一种将概率图模型和深度学习相结合的模型框架，通过将神经网络用于观测模型，提高了潜在变量的图形结构；针对推断，使用了可视化的自编码器，利用识别网络输出共轭潜力的图形模型近似分布；所有的这些模型组件都是同时学习的，从而得到了一种可扩展的算法，利用了随机变分推断、自然梯度、图形模型信息传递和重参数化技巧。此模型框架的示例模型和应用程序向小鼠行为表型学方法提出了有效的解决方案。

Mar, 2016

应用深度生成模型通过物理学定理来传递极高复杂物理系统中的不确定性。我们构建出一个隐式变分推断公式，并顺利地运用物理学原理作为模型输出的约束条件。这让模型在面对高成本数据采集以及通常小型训练数据集的物理系统建模时具备了一种可扩展的方法来描述随机输入或观测和物理系统输出的不确定性，并以传输动态为规范示例来验证了方法的有效性。

Dec, 2018

本次研究主要集中于建立更为丰富的因果模型，以此来解决基因因素与人类主要疾病之间的因果关系等问题，并且采用了现代概率建模的思想，如采用神经结构并结合隐式条件来建立该模型。

Oct, 2017

使用条件生成对抗网络（cGAN）的数据驱动模式，无需对基础控制方程有先验知识，直接生成稳态导热和不可压缩流的解，具有高测试精度（MAE＜1％）和最先进的计算性能，并可用于从实验观测中直接学习因果模型。

Sep, 2017

本文中介绍基于条件深度生成模型和卷积神经网络的 CVAE 方法，旨在构建适用于高维数据和具有不确定性的结构健康监测的模型。在两个与结构健康监测相关的数字示例中，模型具有高重构精度和较好的抗负载能力。

Feb, 2023

我们提出了一种半参数生成模型，用于预测基准图像后随后扫描中患者的解剖结构。该模型通过个体基因和临床指标的非参数模型，结合全群回归捕捉解剖学变化。我们演示了在 ADNI 队列中预测随访解剖扫描，并且说明了比较患者扫描和预测的个体化健康解剖轨迹的新分析方法。

Oct, 2020

该综述论文重点介绍了最先进的数据驱动技术，用于发现、编码、替代或仿真描述固体无路径依赖响应的本构法则。我们旨在提供一个有组织的分类体系，介绍过去几十年中开发的各种方法的优点和缺点，并讨论在不同尺度上解释和预测力学行为的不同技术。我们将方法分为基于机器学习和无模型方法，并根据解释能力和所需数据学习过程 / 类型进一步分类，同时讨论了一般化和可信性的关键问题。我们试图提供一个数据可用性感知背景下如何解决这些问题的路线图，并涉及数据采样技术、实验设计、验证和验证等相关方面。

May, 2024

通过使用条件生成对抗网络 (cGANs) 创建合成的动力学数据集，该研究旨在扩充训练数据集并改善任务分类准确性，有效地提高机器学习模型在中风康复中的应用。

Jun, 2024