我们开发了一个基于图形的框架来表示最佳热管理系统设计的各个方面，旨在快速高效地识别最佳设计方案。通过图形框架，我们生成多样的热管理系统体系结构，对这些系统体系结构在各种负载条件下建模，并利用开环最优控制器确定每个系统的最佳性能。利用图神经网络模型训练预测性能，我们对剩余数据集进行性能估计，并利用估计值对测试数据进行排序，提供优先评估设计方案的能力。结果显示，通过此方法能够显著降低 92% 以上的系统动态建模和最优控制分析所需的工作量，以识别最佳设计方案。

Nov, 2023

本文提出了 DeepOHeat，一个物理感知算子学习框架，该框架可以预测带有多个参数或非参数设计配置的热方程族的温度场，从而通过更改关键设计配置（而不仅仅是一些参数）实现快速热分析和优化。实验结果表明，对于未知测试用例，经过良好训练的 DeepOHeat 可以产生精确的结果，速度比传统方法提高了 1000 倍到 300000 倍。

Feb, 2023

通过结合元启发式和最佳适应性递减算法，提出新的关于功耗和热管理的策略和模型，以实现数据中心的能源效率提升，包括数据中心的计算和冷却设施，在保持服务质量的同时，提高高达 21.74% 的能源效率。

Dec, 2023

本文提出了一种智能打印工具，通过神经网络对温度梯度分布进行预测和优化，实现 laser powder bed fusion 的打印控制和质量提高。

Jan, 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

通过利用卫星间越来越智能化的优势，提出了一种基于深度强化学习和软优势演员 - 评论家算法的框架来学习卫星上的热控策略，实验证明该框架能够学习控制处理功率以维持温度在操作范围内，并补充传统的热控系统。

Jul, 2023

本研究针对能源效率和实际应用的目标，在自然通风的小学教室中进行了为期一个月的实地实验，并提出了一种名为 DeepComfort 的多任务深度学习模型，可同时预测室内热舒适度（包括热感觉、热舒适度和热偏好）多个指标的输出，该模型证明了高的 F1 分数、准确度（>90%）和泛化能力，在 ASHRAE-II 数据库和本研究所创建的数据集上进行了验证。DeepComfort 也显示出优于 6 种常见的单任务机器学习算法的性能。据我们所知，这项工作是将多任务学习应用于教室热舒适度预测的首次尝试。

Apr, 2022

引入了基于强化学习的通用框架，以发现最大化量子热力机和制冷机功率的最佳热力循环，这在改进现有的量子信息处理技术中扮演着重要角色。

Aug, 2021

本文提出了一种基于时间卷积网络（TCN）的科技需求主题热度预测方法，利用主题特征进行科技需求主题热度的时间序列预测，通过实验结果表明该算法在真实科技需求数据集上的预测准确度优于其他时间序列预测方法。

Mar, 2022

本文提出了一种多头集成多任务学习（MEMTL）方法，通过共享骨干网络和多个预测头（PHs）来解决计算卸载中的推断性能问题，从而有效解决了时变无线环境中的混合优化问题。实验证明，该方法在推断准确性和均方误差方面优于基准方法，而无需额外的训练数据。

Sep, 2023