光学表面压花的物理增强多保真度学习
本文提出了一种基于深度学习的 MRF-Net 方法，通过减少维度并使用层级匹配滤波器，可以在不使用字典匹配的情况下，高效地重建定量磁共振图，并且减少了存储和计算需求。
Sep, 2018
我们展示了一种多保真度（MF）机器学习集成框架，用于逆向设计光子表面，该框架基于一个由我们使用高通量飞秒激光加工制备的 11,759 个样本的数据集进行训练。MF 集成组合了一个初始低保真度模型以生成设计解决方案，并与一个通过局部优化对这些解决方案进行改进的高保真度模型。组合的 MF 集成可以生成多个不同的激光加工参数集，每个参数集都可以以高精度（均方根误差 < 2%）产生相同的目标输入光谱发射率。SHapley Additive exPlanations 分析显示出复杂的激光参数与光谱发射率之间透明的模型可解释性关系。最后，MF 集成通过制备和评估由其生成的用于改进效率的能量收集装置的光子表面设计进行了实验验证。我们的方法为推进在能量收集应用中的光子表面逆向设计提供了强大的工具。
Jun, 2024
基于物理信息神经网络（PINNs）与三维柔性组织非线性生物力学模型的结合，本研究提出了一种新的方法，能够重建位移场并估算异质病人个体的生物物理特性，通过在临床环境中常规获取的有限位移和应变数据，结合问题的物理性质和偏微分方程的数学模型，提高问题的稳定性和收敛性能，进而在疾病诊断等方面发展个性化的模拟模型，并演示了 PINN 能够检测瘢痕组织的存在、位置和严重程度的能力。
Dec, 2023
通过使用拓扑指纹描述分子结构并利用深度学习模型进行虚拟筛选，我们能够从三维原子力显微镜堆栈图像中提取最优化的结构描述符，从而实现对分子的识别，识别准确率可达 97.6％。
May, 2024
使用粗粒化模型生成聚合物的构象级指纹，通过计算几何描述符和数据驱动描述符，通过训练机器学习模型将结构与聚合物链的各种性质进行映射，并测试指纹以预测平衡态下配置出现的概率。
Nov, 2023
本文介绍了一种自动选择指纹的协议，以便构建既能够在精度和计算效率之间实现最佳平衡，又能够加速高斯近似势的评估的神经网络势。其中展示了应用于水和 Al-Mg-Si 合金的神经网络势构建，并使用高斯过程回归预测小有机分子的形成能。
Apr, 2018
该论文提出了一种名为神经指纹的简单而有效的方法，通过验证模型行为是否与一组秘密指纹一致的方法检测对抗性例子，具有检测速度快、攻击者极难逆向工程以及不需要假定对手知识等优势。该方法在各种威胁模型下均表现优异，成功检测出了具有最强攻击性的对抗样本，同时还能很好地适应各种超参数和指纹选择。
Mar, 2018
本文利用基于视觉的触觉传感器来综合材料的体积网格，并通过图形神经网络学习图像至网格的映射来将其应用在机器人抓取和操作中。在合成图像和真实图像的基础上，介绍了一种自监督的适应方法和图像增强技术，使得该方法可以在不同的情境下准确地重构真实世界触觉传感器弹性体的变形。
Mar, 2022