使用现代机器学习技术通过条件归一化流学习取代 Smoluchowski 方程的数值解，可以显著减少计算时间并与直接数值模拟结果较好地吻合。

Dec, 2023

我们提出了一种新的方法，在遗传算法中使用机器学习模型进行适应度近似估计，重点是在 Gymnasium（游戏）模拟器中的进化智能体，其中适应度计算代价很高。维护一个包括个体及其实际适应度评分的样本数据集，我们通过整个进化过程不断更新适应度近似估计的机器学习模型。我们比较了不同的方法：1）在实际适应度和近似适应度之间切换，2）对种群进行抽样，并且 3）对样本进行加权。实验结果表明，在适应度近似与实际计算的比率下，进化运行时间得到了显著的改善，且适应度评分要么相同，要么略低于完整运行的遗传算法。我们的方法是通用的，并且可以轻松应用于许多不同的领域。

Sep, 2023

提出了一种将随机波动模型更改为具有特殊协方差函数的分层高斯过程模型的方法，使其可以根据历史数据产生真正的后验分布，同时还将基于大量已研究的领域的启发式设计用于多任务学习，实现了比基线模型更好的股票和风速预测。

Jul, 2022

使用基于网格的机器学习方法进行物理仿真时，可以有效处理几何变化，并提供预测不确定性，它可以在大规模网格中处理复杂的几何形状和固定拓扑结构，并与图形神经网络相比具有相似的训练效率和准确性。

May, 2023

以深度神经网络和高斯过程逼近技术为基础的模型，通过奇异值分解和谱归一化密集层的比较，用于解决粒子加速器中高压转换调制器电容值预测问题，并显著提高了距离保持和准确度。

Jul, 2023

本文回顾和分析了当前流行的可扩展高斯过程回归模型的局部和全局逼近方法，主要包括稀疏逼近、混合专家模型和产品专家模型，并探讨了这些模型在数据规模大的情况下的应用前景。

Jul, 2018

本研究提出了一种可以估算算法性能预测模型泛化能力的方法，并通过在基准测试套件之间训练预测模型来测试该方法的可行性，结果表明，特征空间中的泛化模式确实反映在性能空间中。

May, 2023

本文提供了一个新的在线高斯过程（GP）算法的理论框架，它基于在线 PAC 贝叶斯理论，并且通过优化经验风险函数和先验分布与后验分布之间的差异来保证其泛化性能和准确性。

Oct, 2022

本文提出基于机器学习的模型，通过设计结构的 parasitic estimation 和 timing estimation，实现在 post-global routing 优化过程中，达到提高电路性能的目的。经实验证明，该模型可应用于不同设计并可开展大规模实验评估，对于设计算法可以被采用作为完整性检查或 ECO 后流优化方法。

May, 2023

本文采用多输出高斯过程回归方法，使用 Brunel 二相流数据库中的高保真实验数据来建立微通道中的两相传热系数模型，并提出了改进该模型在外推方面性能的研究方向。

May, 2023