深度算子网络中的流固耦合网格运动
深度学习模型框架在预测时间序列数据方面具有潜在应用，尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性，并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。
Aug, 2023
采用神经网络参数化的物理描述框架，从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化，对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。
Sep, 2020
通过使用有限的高保真数据集进行训练，我们提出了一种基于深度算子学习的框架，它能够在减少工作量的同时获得准确的实验和计算数据。我们的方法首先使用物理引导的 Fourier 特征深度算子网络通过广泛的数据集学习低保真解决方案的基本模式，然后通过物理引导的 Fourier 特征残差深度算子网络提高低保真网络输出，使用少量的高保真数据集进行训练，从而获得高保真解决方案。结果表明，我们提出的框架中物理引导的 Fourier 特征深度算子网络相比于基于数据驱动的方法在预测升力和阻力系数方面具有更好的预测能力。
Nov, 2023
本文主要研究多尺度问题，在固体力学中应用深度算子网络进行模型预测和数值模拟，以解决初始边界值问题，并利用数值均化方法将微观结构属性融入宏观计算分析，最终通过混合方法得出准确的结果。
May, 2024
本文提出了一种基于学习的方法，用于增强基于绑定的 3D 角色动画的生动的次要动作效果，通过设计用于编码角色动力学的神经网络，该网络可以预测出新的顶点位置。我们的方法可以高效且精确地模拟角色动态，并且在各种 3D 角色网格和复杂动作序列上得到证明。
Mar, 2021
通过引入物理和几何信息的神经操作网络，本文提出了一种应用于声波散射正向模拟的模型，该模型通过基于非均匀有理 B 样条 (NURBS) 的几何参数化方法，能够对任意形状的散射体预测散射声压场，并且具有简洁有效的表示方式，同时避免了基于物理的方法在改变计算域时需要重新评估模型的问题。数值研究结果表明，该方法具有出色的模拟任意散射体几何组合所产生的声波压力场的能力，突显了所提出的操作学习方法的独特泛化能力。
Jun, 2024
基于心脏磁共振图像的 3D 运动估计对于评估心脏功能和诊断心血管疾病至关重要。本文提出了一种基于 DeepMesh 的学习框架，旨在从 CMR 图像中将心脏网格传播到个体空间，并估计个体的心脏网格的 3D 运动。该方法通过开发一种可微分的网格到图像光栅化器，能够利用来自多个解剖视图的 2D 形状信息进行 3D 网格重建和网格运动估计。实验结果表明，该方法在定量和定性上优于其他基于图像和基于网格的心脏运动跟踪方法，特别针对左心室的 3D 运动估计。
Sep, 2023
通过结合 2D 直接数值模拟和基于物理约束的神经网络代理，我们提出了一种新的、完全可微的 FSI 混合方法来优化机器人游泳器的设计，该方法在计算效率上具有显著优势，并可用于计算设计控制软体机器人的直接基于梯度的优化。
Mar, 2022
DeepMetaHandles 是一种基于网格变形的 3D 条件生成模型，通过学习每个形状的一组元句柄来分解所有可行的变形，并使用软光栅化器判别器来增强变形的合理性。
Feb, 2021