我们提出了一个使用深度神经网络对材料进行建模的通用框架，并证明了该模型在同时建模频率和电流（超线性范围）域中的磁性材料方面的实用性。

Dec, 2023

通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

Jul, 2017

文章提出了一种使用先验知识规范训练过程的方法，以克服由于缺乏相位信息而导致的‘相位问题’对标准神经网络的限制，并通过利用先验知识来解决此问题，验证了该方法在各种情况下的有效性。

Jun, 2023

用机器学习方法加速计算大域上长时间尺度下的块聚合物形态演化。通过分离粗粒化颗粒演化的特征时间和介观尺度上的缓慢形态演化，利用粒子模拟直接学习随机驱动的缺陷消除过程。采用支持不同边界条件的 UNet 架构，允许任意形状的周期和固定基底边界条件。通过损失函数引入物理概念，数据增强引入对称性，有效性经三个不同的用例验证，可可视化时空演化，研究不同形态限制下的缺陷密度及其演化。在应用方面，展示了访问后期形态对理解单个块内粒子扩散的重要性。对于微电子、电池材料和膜的定向自组装和材料设计有重要意义。

Aug, 2023

这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在 2D 模式下具有改进的重建效果。

Jun, 2023

本文提出了一种新的物理约束 CNN 学习架构，用于处理非均匀的边界条件和不规则的几何形状，通过椭圆坐标映射和卷积神经网络，该方法在解决参数化 PDE 时比 FC-NN PINN 具有更高的准确性和效率。

Apr, 2020

利用机器学习的多种模型，如储备计算、时延前馈神经网络和随机森林，可以在复杂环境下检测地球的异常磁场，并提高导航精度。

Feb, 2024

我们提出了一种映射算法，用于在室内环境中通过近似高斯过程回归计算大规模磁场地图，以用于室内区域的定位算法。

Oct, 2023

金属自旋玻璃体系的动力学模拟中，利用可扩展的机器学习框架通过预测驱动自旋动力学的电子诱导的局部磁场，发展了一种根据局部磁性环境进行磁性描述的神经网络模型，该模型具有很高的精确性和高效性，并应用于具有淬灭随机性质的杂乱非晶常规 s-d 模型的弛豫动力学研究，展示了机器学习模型在大规模动力学建模中对游离磁体的有希望的潜力。

Nov, 2023

本文利用压缩感知理论，提出了一种用于磁共振成像的稀疏采样模式学习方法，通过只有 7 个样本对的监督学习方法训练，可以在测试数据上取得较高重建质量。

Jun, 2019