本研究提出了一种基于不同 iable simulator 的软致动器物理可行模型的训练方法，其通过与有限元方法结合来实现闭环控制，基于该模型构建 MPC 控制器，实现对硬币的拉动并获得了低于 5％的仿真误差。

Feb, 2022

本研究提出了一种基于机器人学习和规划框架的工具使用策略，通过使用 Finite Element Method 仿真器和 Iterative Deepening Symbolic Regression 算法，实现更加高效、精准的物理模拟和最优化控制设计方法。

Jun, 2022

本研究提出了一个基于刚性有限元方法和动态网络的 “有限元启发网络” 架构来模拟可变形线性物体的动力学，将观测到的运动变量映射到身体链的状态，从而得出一种易于处理且能够从部分观测中获得物理可解释性预测的 DLO 动力学模型。

Jul, 2023

这项研究提出了一种自动化的计算设计优化框架，基于质量多样性方法生成各种各样的夹持器设计，以单独抓取几何不同的物体类型。

Nov, 2023

本文提出了一种用于任意分布的点的时空预测的新方法，该模型可以利用偏微分方程来推导数据动态的连续时间模型，通过有限元方法，在空间域的网格化中估计未知动态对每个单元格的瞬时影响，我们的模型可以通过假设方程的形式来将先前知识纳入其中，并从对流方程导出一个运输变体，该模型对比基准模型，表现了更好的海面温度和气体流量预测的转移性能。此外，我们的模型具有独特的可解释性。

Mar, 2022

本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

Feb, 2019

我们提出了一种新颖的基于有限元的物理信息算子学习框架，用于预测由偏微分方程（PDEs）控制的时空动态。该框架利用了受有限元方法（FEM）和隐式欧拉时间积分方案启发的损失函数。通过考虑瞬态导热传导问题进行性能测试，该算子学习框架将当前时间步的温度场作为输入，预测下一个时间步的温度场。实施物理学约束的热传导方程 Galerkin 离散弱形式被用作损失函数，称为有限算子学习（FOL）。经过训练，网络成功预测了任意初始温度场的时间演化，与有限元方法解决方案相比具有较高的准确性。该框架也适用于具有异质热导率和任意几何形状的情况。FOL 的优势可以概括为：首先，训练是以无监督的方式进行的，避免了需要准备大量昂贵模拟或实验数据集的需求。相反，使用由高斯随机过程和傅里叶级数生成的随机温度模式结合恒温场作为训练数据，以覆盖可能的温度情况。其次，利用形状函数和向后差分逼近进行域的离散化，得到一个纯代数方程。这提高了训练效率，同时避免了在优化权重和偏差时耗时的自动微分过程，虽然可能会导致离散化误差。最后，由于有限元方法的插值能力，FOL 能处理任意几何形状，这对于解决各种工程应用场景至关重要。

May, 2024

为了开发更快速解决固体力学中的物理方程的求解器，我们引入了一种参数化学习力学平衡解的方法，该方法在计算成本方面优于传统方法，同时可接受地保持准确性。此方法具体应用于微机械学，在微观结构中知道微观力学解，即给定异质微结构的变形和应力场，非常重要。我们的研究表明，基于物理的训练方法在未知微结构上相较于纯数据驱动方法具有更高的准确性。

Mar, 2024

本文介绍一种可用于多体机器人动力学的混合模型，采用计算图架构将牛顿欧拉方程体现出来，实现动态几何转化为有效的计算结构，结合灰盒架构进行系统参数辨识。同时，将动力学参数和运动学参数进行联合建模，与黑盒组件相结合取得了较好效果。

Oct, 2020

本文介绍了一种基于数据和物理驱动的模型，利用深度神经网络作为元模型，通过预测中间 FE 测量值来表征 PMSM 的电磁行为，并通过各种物理模型后处理来计算所需的关键绩效指标，从而在计算上实现了 PMSM 的数值优化。

Jun, 2023