本文提出了一种结合生成式深度学习和贝叶斯推断的新方法，用于在数据稀疏的情况下，高效地推断出构成关系的家族，并在老鼠主动脉的数据上验证了该方法的准确性和可行性。

May, 2023

通过模拟物理机制，我们开发出一种无监督学习的算法，能够从变换后的数据点中恢复出一组相互独立的机制，并且这些机制可以移植到新的领域中，对于迁移学习有重要的启示和应用。

Dec, 2017

机器学习中，关于多个交互对象的关系和动态推理是一个具有挑战性的话题，我们提出了一种基于广义坐标的 Graph Mechanics Network (GMN) 方法，来隐式地表达在受限制系统中的几何约束，并在模拟系统和现实世界中进行的广泛实验证明了 GMN 相对于最先进的 GNN 在预测精度、约束满足性以及数据效率方面的优势。

Mar, 2022

提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络（C-qGAN），该神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。

Apr, 2023

使用生成性神经网络解决多条件 3D 设计重建问题，通过训练条件变分自编码器和应用 Marching cubes 算法进行模拟评估，展示在自定义功能条件下生成优化设计的能力。

Nov, 2023

机制设计是通过深度学习逼近满足所需特性的机制，研究中介绍了技术细节和关键成果，并展示了三个实证案例。

Jan, 2024

提出了一种基于概率框架生成角色动画的方法，该方法基于弱控制信号生成逼真的动作序列，并保留人类运动的随机性。所提出的层次循环模型映射每个子序列的运动到一个随机潜变量代码，使用在时间领域上扩展的变分自动编码器。同时，提出一个考虑每个关节对姿势产生影响的目标函数，并基于角度距离比较关节角度。打造两个新的定量协议和人类定性评估，证明算法能够生成具有说服力和多样性的周期性和非周期性运动序列，而不需要强控制信号。

Oct, 2020

本研究提出一个命名为 3DLinker 的条件生成模型，以生成用于连接具有独立功能的两个分子的链接物，该模型可以预测锚点，以及联合生成链接器图形和它们的 3D 结构，具有较高的恢复分子图形的率和准确地预测所有原子的 3D 坐标的表现。

May, 2022

该研究介绍了多个新的生成对抗网络模型，基于参数化量子电路与已知的生成对抗网络相结合，利用强化学习原理构建了一个新的多参数奖励函数。实验结果表明，这些模型在基准药物设计数据集 QM9 和 PC9 上表现优于以前的模型，尤其是在药物类似性定量估计方面提高了最多 30%。这些新的混合量子机器学习算法以及实现的药代动力学性质分数有助于快速准确的药物发现过程的发展。

Dec, 2023

本文提出了一个新的方法，利用生成对抗网络构建机器人的运动模式，使机器人能够通过调整速度的变化，表现出人类的细致和谨慎，从而更好地适应不同的操作场景。

Mar, 2022