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

建议了三种具备可加性可分性的 Hamilton 神经网络模型，通过减少状态变量之间的复杂性，更有效地回归 Hamilton 的向量场。

Sep, 2023

本研究对比了传统机器学习方法和基于混合建模的方法在标准回归问题中的性能，并重点研究了混合模型的不同训练方法，结果显示混合建模方法应用于回归问题具有较高的性能表现。

Jul, 2023

在生物物理序列优化方面，提出了一种新的封闭测试函数类 (Ehrlich 函数) 以及相似几何性质，通过实证结果证明这些函数是有趣的研究对象且使用标准的遗传优化基准方法解决它们是非平凡的。

Jun, 2024

运用机器学习方法逼近密度泛函，在 1D 非相互作用费米子运动能量模型中，仅需少于 100 个训练密度即可达到与测试密度相似的 1kcal /mol 以下的平均绝对误差，利用主成分分析，还可找到高精度自洽密度。文章探讨了将该方法应用于真实电子结构问题面临的挑战。

Dec, 2011

本文提出了一种基于 Reproducing Kernel Hilbert Spaces 的估计方法，建立了在预测误差方面我们估计的最优收敛率的非线性函数回归模型，并讨论了在这些复杂模型中出现的计算挑战。同时提供了仿真及应用：在 2008 年金融危机期间的累积日内回报。

Aug, 2017

研究人员提出了一种使用代理函数解决机器学习算法中偏见预测问题的方法，并提出了一种新的平衡代理算法来提高公平性表现。

Oct, 2023

本文介绍了一种基于学习的代理模型构建方法，该方法将 Proper Orthogonal Decomposition 和多个 Support Vector Regression 机器相结合，用于实时参数化偏微分方程 (PDEs) 的求解，以实现数字孪生中的交互式分析。该方法在两个关于电机的实际应用案例中展现了良好的结果。

Jun, 2024

本文介绍了量子计算文献中关于密度矩阵在张量积空间 H [N] 上的非经典行为、其 “不可分割性” 以及如何计算其到最近可分割密度矩阵的距离并量化其 “纠缠度” 等数学问题及相关研究进展。

Mar, 2001

综述 300 多个用于评估优化和元启发式算法的基准函数，列出了最常用的 25 个函数，并提出了两个新颖、高维、动态且具有挑战性的函数用于测试新算法，同时指出了当前基准化方法的不足之处，并提出了未来研究的方向。

Jun, 2024