本文旨在通过多尺度建模和深度学习相结合的方法，建立中等孔隙度密闭铝泡沫的细胞形态与泡沫有效杨氏模量之间的直接联系，并通过模糊等价模型来评估模型预测模量的不确定性，进而简化 FG 多层泡沫结构的评估。

Nov, 2022

在材料科学中，通过训练变分自动编码器 (VAE) 来重建材料的空间统计特征，从而获得材料的低维表示。

Feb, 2024

利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应，但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略，允许保持问题的多尺度特性，并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变，并保留微观本构材料模型以获得应力，我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度，并允许非局部性产生。通过对各种网格进行训练，GNN 学习了对未见过的网格的泛化，使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量，并提高了准确性。我们证明了对于几个具有挑战性的情景，代理模型能够预测复杂的宏观应力 - 应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律，因此我们的方法可以显著加速 FE2 模拟。

Feb, 2024

我们介绍了虚拟弹性物体（VEOs）：这是一种虚拟物体，它不仅看起来像其真实世界的对应物，而且在面对新的交互时，行为也会像真实物体一样。为了实现这一目标，我们建立了一个多视角捕捉系统来捕捉在压缩空气流影响下的物体，并利用最新的动态神经辐射场，建立了物体的重建和对应的变形场。最终，我们开发了一个方法来将模拟结果与神经辐射场相结合，以渲染模拟物体。

Jan, 2022

本文提出了使用小片体积来表示场景，通过编码小片体积以进行对比表面法的体积渲染，建立了微分小片体积渲染器，以实现复杂几何和散射物体的外观属性恢复，高质量灯光、材质编辑、渲染体积散射等效果。

Apr, 2023

本研究提出了将本应在神经网络评估后再进行渲染的颜色，改为直接渲染出射线查询的特征向量，从而大幅降低了神经网络评估的复杂度和计算开销，并取得了较好的渲染质量。

May, 2023

通过密度泛函理论计算，本文使用化学描述符生成系统性描述符，并构建了一个基于核岭回归模型的机器学习模型，预测化合物的物理性质，预测误差为 0.041 eV/atom，具有良好的预测性能和高效优化的效率。

Nov, 2016

本文提出使用深度学习代替传统有限元分析来设计自主水下车压力容器，并证明在稀疏数据集情况下，深度学习代理比其他回归模型更优。

Jun, 2022

磁共振成像中切片到体积重建是从被运动干扰的 2D 切片堆叠中计算重建未知 3D 磁共振体积，该论文提出了一种能够克服之前方法的缺点，在极端切片间运动的情况下产生最先进的重建，通过将 SVR 形式化为单堆叠运动估计任务，并训练一个完全卷积网络来预测给定切片堆叠的运动堆叠，作为预测运动的副产品产生三维重建。大量实验证明，我们的完全卷积方法比之前的 SVR 方法精度提高了一倍。

Dec, 2023

使用基于体元的优化框架 ReVoRF，针对伪新视图合成中的不可靠性问题，利用相对深度关系和绝对颜色值之间的权衡，通过双边几何一致性损失和可靠性引导学习策略，实现了对数据的更细粒度利用和增强重建质量，显著提高效率和准确性。

Mar, 2024