使用机器学习技术解决复杂物理问题的整合被认为是加速模拟的有希望途径，但评估基于机器学习的物理模型在工业环境中的应用存在挑战。本研究通过基于统一评估框架 Learning Industrial Physical Simulations (LIPS) 的竞赛，旨在推动解决物理挑战的创新机器学习方法的发展。该竞赛以气动外形设计模拟为核心任务，在我们提出的 AirfRANS 数据集上进行，评估各种标准，包括机器学习准确性、计算效率、Out-Of-Distribution 性能和遵循物理原则。值得注意的是，该竞赛是在优化物理模拟中计算效率和准确性之间权衡的 ML 驱动代理方法探索上的先导性工作。该竞赛在 Codabench 平台举行，为所有参与的解决方案提供在线培训和评估。

Jun, 2024

本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。

May, 2023

本文提出了一种元学习方法，通过使用模型无关的元学习器，能够在仅处理少量特定任务的数据的情况下，提高通过机器学习方法解决计算流体动力学中复杂偏微分方程的模型在未知样本上的表现，同时保持效率。

Jun, 2023

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

利用机器学习技术优化复杂系统的方法，通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果，本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。

Aug, 2019

介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展，同时探讨了在此领域中的一些挑战。

Nov, 2019

利用物理知情机器学习（PIML）领域开发模型来预测航空发动机的剩余寿命，采用 C-MAPSS 数据集，使用随机方法估计 C-MAPSS 数据的物理模型并将其应用于 LSTM 模型，结果表明 PIML 方法在这个问题上表现优异，同时该框架灵活性高，适用于其他情况。

Jun, 2024

该论文将机器学习应用于自主飞行中的视觉着陆，并建立了一个模型无关且工具独立的认证框架，以解决机器学习模型的可信度与航空认证之间的挑战。

Oct, 2023

该研究介绍了一种方法，通过多精度评估、机器学习模型和优化算法的战略性协同，增强受有限计算资源约束的反向设计优化过程。该方法在两个不同的工程反向设计问题上进行了分析，通过在每个优化循环中利用训练有低精度模拟数据的机器学习模型，高效地预测目标变量并确定是否需要高精度模拟，从而显著节省了计算资源。此外，该机器学习模型在优化之前被战略性地使用以减小搜索空间，进一步加快了收敛到最优解的速度。该方法已被应用于增强差分进化和粒子群优化两种优化算法，对比分析表明两种算法的性能有所提升。值得注意的是，该方法适用于任何反向设计应用，实现了低精度机器学习模型和高精度模拟之间的和谐协同，并且可以无缝应用于任何种类的基于群体的优化算法。

Dec, 2023

该论文提出了一种通过利用机器学习技术加速计算机体系结构模拟的方法，该方法利用应用特征和微架构特征的组合来预测应用程序的性能，通过构建和评估一个机器学习模型展示了在体系结构探索方面的显著加速能力。

Feb, 2024