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

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

本研究提出了一种基于强化学习的方法，用于自动调整非可微模拟器的参数，从而控制合成数据的分布以最大化模型的精度，相较于现有技术，该方法全面控制模拟器以最大化精度。

Oct, 2018

该研究介绍了一种将机器学习与传统科学方法相结合的基于数据驱动的框架，将物理学的先验知识与先进的机器学习技术相结合，旨在解决基于第一原理和全力学习方法固有的计算和实际限制。通过嵌入特定于特定类别非线性系统的物理学先验，包括可分离和不可分离的哈密顿系统、双曲型偏微分方程和不可压缩流体动力学，我们的框架展示了四种算法。物理定律的内在结合保留了系统的内在对称性和守恒定律，确保了解的物理合理性和计算效率。这些先验的结合还提高了神经网络的表达能力，使其能够捕捉传统方法常常忽视的物理现象中的复杂模式。因此，尽管依赖于小数据集、短训练周期和小样本量，我们的模型在预测准确性、鲁棒性和预测能力方面优于现有的数据驱动技术，特别是识别训练集中缺失的特征。

Jun, 2024

本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

Jan, 2020

通过一种新的可微分逼近目标的方法，提出了一种有效的用于生成最优合成数据的替代方法，该方法可通过优化非可微模拟器，在每个迭代中仅需一个目标评估带有小的开销，在真实测试数据集上可以以较少的训练数据生成更快的理想数据分布（高达 50 倍）并具有更高的准确率（+ 8.7％），比以前的方法更好地解决了模拟机器学习算法中大型标记数据集的生成问题。

Aug, 2020

本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习模型提高效率的潜力。

Mar, 2023

利用机器学习技术优化复杂系统的方法，通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果，本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。

Aug, 2019

介绍机器学习在事件生成中的应用，重点讨论了用于 ML 事件生成的 ML 生成模型及其所涉及的挑战、各种将物理知识融入 ML 模型设计的方法以及相关的一些开放性问题。

Jun, 2021

该论文提出了一种通过利用机器学习技术加速计算机体系结构模拟的方法，该方法利用应用特征和微架构特征的组合来预测应用程序的性能，通过构建和评估一个机器学习模型展示了在体系结构探索方面的显著加速能力。

Feb, 2024