通过基于深度学习的注意力增强神经微分方程模型，我们研究离子在纳米孔膜中的运输，并探讨了注意力机制在揭示不同混合物组成下的离子配对关系中的作用。结果表明，与传统的基于偏微分方程的模型相比，基于物理学原理的深度学习解决方案在建模复杂运输现象方面表现更好，并为各种应用提供了有前途的途径。

Dec, 2023

本研究通过提出一种动力学机器学习辅助流程的数据驱动方法，优化了生产参数的逆向设计，从而实现了可用于能量或功率应用的电极的制造。

Jul, 2023

Elektrum 是一个利用体外酶动力学实验和深度学习构建 KINNs 模型，并利用转移学习 fine-tuning 这些模型来预测生化系统动力学的框架。通过使用有限但净数据和包含细胞上下文的嘈杂但丰富的在 vivo 数据，Elektrum 可以有效地确定生化系统的动力学，并在 CRISPR-Cas9 剪切效率预测方面实现了最先进的性能。

May, 2023

借助高通量实验技术和机器学习的结合，提出了一种利用吸收光谱进行电导率测量的机器学习方法，实现了对材料电导率的加速测量，极大提高了测量效率并获得了有价值的洞察力。

Aug, 2023

在这项研究中，我们提出采用一种新颖的框架，即知识集成机器学习，来推进质子交换膜水电解（PEMWE）的发展。通过融合数据驱动的模型和领域专业知识，系统地应对 PEMWE 在优化性能方面的挑战。我们展示了一种分层的三级框架，在 PEMWE 的背景下应用于细胞退化分析的三个案例研究中，证明了其在插值、外推和信息表示方面的有效性。这项研究为工程领域的知识驱动型增强的机器学习应用奠定了基础。

Jan, 2024

在生物医学环境中，为了从多个非同步进程中获取尽可能多的相关事件，需要计划和执行一种高效的获取范式。为了解决这个问题，本文提出了两种新的方法：基于人工智能的编码动态进程方法（EDP），以及基于机器学习运营的动态进程实验自动化流水线（EAPDP），它使用从 EDP 中提取的知识来高效地调度实践中的生物医学实验的获取过程。在第一个实验中，我们展示了预训练的最先进的目标分割方法 CPN 作为 EAPDP 的一个模块，从获取的三维图像堆栈中提取出 EDP 相关的对象。

Oct, 2023

通过基于物理的方法和元学习算法开发适应于数据稀缺性问题的模型，为解决机器学习算法的不足和工业界对其不信任问题提供了一种可行的方案。

Jul, 2023

本研究介绍了一种综合方法，利用数据驱动方法来阐明化学气相沉积（CVD）反应器中的沉积过程机制，并揭示了各个机制之间相互作用。该研究通过实验证明，采用流场分布（CFD）模型衍生的过程结果可以识别出对应于不同过程机制的 “结果” 簇，其中输入变量的相对影响发生显著转变。此外，通过多项式混沌展开（PCE）方法构建了一个高效的代理模型，该模型具有高准确性，方便了计算分析。最后，通过 Sobol' 指数实现了敏感性分析，量化了在已识别过程中的过程输入的影响。这项研究的揭示为后过渡区域发生的现象提供了假设，并强调了温度在扩散受限区域的重要性，即阿伦尼乌斯图表证明了在高温下激发了气相反应。我们提出的方法不仅具有与实验观察和理论原则相一致的洞察力，还有助于决策过程设计和优化。借助避免了昂贵费时的实验，我们的方法为提高过程效率提供了实用途径。此外，这项研究强调了基于数据驱动的计算方法在创新反应器设计范例方面的潜力。

May, 2024

通过结合监督式机器学习和基于物理的神经网络，本研究使用先进的方法预测了加性摩擦搅拌沉积（AFSD）过程中的峰值温度分布，为优化材料微结构提供了全面的见解。

Sep, 2023

本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量，相较于基于神经网络或最近邻算法的降阶模型，操作器学习方法能够在更少的数据点上实现更广的预测泛化。

Feb, 2022