该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。
Aug, 2022
本文介绍了一个基于浅层监督学习的控制算法来训练人工智能子系统，以实现住宅用途的物联网（IoT）系统中的热舒适度。为了解决由于不可靠的训练数据所引起的过拟合问题，本文提供了 ASHRAE 数据库的数据过滤和语义数据增强算法，并提出了基于温湿度图的降过拟合检查方法。
Mar, 2023
本研究针对能源效率和实际应用的目标，在自然通风的小学教室中进行了为期一个月的实地实验，并提出了一种名为 DeepComfort 的多任务深度学习模型，可同时预测室内热舒适度（包括热感觉、热舒适度和热偏好）多个指标的输出，该模型证明了高的 F1 分数、准确度（>90%）和泛化能力，在 ASHRAE-II 数据库和本研究所创建的数据集上进行了验证。DeepComfort 也显示出优于 6 种常见的单任务机器学习算法的性能。据我们所知，这项工作是将多任务学习应用于教室热舒适度预测的首次尝试。
Apr, 2022
研究了机器学习模型在考虑昼夜节律和室外温度等时间因素时在预测室内热舒适时的分类性能和预测准确度方面的影响，并通过采集 5 所学校 14 个教室共 512 个小学生的数据，展示了时间和空间上的多种温度数据对预测室内热舒适性的重要性。
通过机器学习建立替代模型来加速计算流体力学模拟，使用温度预测在车舱内的分布作为案例，并探讨预测性能与训练数据集规模的关系，结果显示可以在大大减少训练数据集的情况下保证高精度和稳定性。
May, 2022
提出了一种基于热舒适模型和主动学习的个性化供暖通风空调（HVAC）控制框架，通过减少标注工作量和提高能源节约，实现了在未来实际应用中实现个性化舒适与高效运行的潜力。
Sep, 2023
本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。
May, 2023
给出了一种基于 k-means 聚类方法的数据驱动室温预测模型，通过历史数据分析提取系统运行特征并简化系统级模型，提高了泛化能力和计算效率，实验证明该方法能显著减少建模时间而不降低预测准确性。
Feb, 2024
混合物理机器学习气候模拟的研究表明，在线模型性能在内存融合、相对湿度输入特征转化和附加输入变量等方面得到改善，而在线误差的显著变化和离线与在线错误统计的不一致性表明应对数百种候选的机器学习模型进行在线评估来检测参数化设计选择的影响。
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。