本文介绍了一种基于可访问性和支持要求的形态操作的AM/SM操作的通用框架，以确定由多模式流程计划组成的AM/SM操作，以利用每个操作的优势，并允许暂时性的过量材料沉积或挖除，最后使用搜索算法来获得最佳解决方案，证明了我们的方法在三维实例上的有效性。

May, 2022

本文阐述了自动驾驶实验室的物质加速平台以及利用模拟技术和人工智能设计计算机新媒介，解决软硬件信息丢失问题和建立计算问题与计算媒介间的完美对齐，为新一代的材料和计算机科学研究提供了创新合作方向。

Aug, 2022

该论文介绍了一种基于强化学习（RL）和 Q-learning 的方法，用于优化金属添加制造过程中的激光功率和扫描速度组合，以获得更好的熔池深度，从而实现金属添加制造的过程优化。

Nov, 2022

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

该论文研究了如何在金属增材制造过程中，当只有少量传感器可用时，如何在线预测未打印零件的热场。该研究提出了一种使用映射和重建的在线热场预测方法，该方法可集成到金属增材制造过程中进行在线性能控制。通过温度曲线的相似性，该方法利用人工神经网络从先前已打印层上某些点的测量温度来估计未打印层上点的温度曲线。利用同一层上几个点的测量/预测温度曲线，通过降阶模型（ROM）构建同一层上所有点的温度曲线，以建立整个层的温度场。通过极限学习机（ELM）进行ROM的训练，以提高计算效率。通过进行15个线电弧增材制造实验和九个具有固定长度和单向打印的薄壁的仿真测试，结果表明所提出的预测方法能够在低成本台式机上在0.1秒内构建未打印层的热场。同时，该方法在大多数情况下具有可接受的一般化能力，可从较低层到较高层在同一模拟中以及从一种模拟到另一种模拟的不同增材制造参数上适用。更重要的是，经过有限实验数据的微调后，所有预测温度曲线在新实验中的相对误差非常小，证明了所提出的在线金属增材制造热场预测方法在实际应用中的适用性和泛化能力。

Oct, 2023

基于片上系统的早期平面布局工具RLPlanner引入了一种新颖的快速热评估方法，利用先进的强化学习方法共同最小化总线长度和温度。RLPlanner结合快速热评估方法，在类似的运行时间内，相比于经典的模拟退火方法HotSpot，平均提升了20.28%的目标优化效果（联合考虑线路长度和温度）

Dec, 2023

该论文介绍了一种建模方法，通过人工智能与人类团队合作的方式，探索了增材摩擦搅拌沉积（AFSD）过程中温度演变的基本物理原理。实验结果表明，该方法可以从过程中获取数据，并生成具有低计算成本和高准确性的物理解释模型，用于工具温度控制和工艺优化。

Jan, 2024

利用数字孪生框架在实时预测控制激光直接能量熔化(DED)过程参数以满足特定设计目标，通过LSTM机器学习建立代理模型预测DED零件的温度，在此基础上引入贝叶斯优化(Bayesian Optimization)进行时间序列过程优化(Time Series Process Optimization)，确定理想的激光功率轮廓以达到所需的力学性能。

Feb, 2024

采用深度强化学习为基础的工作路径生成框架，通过减少残余应力、实现热量均匀分布、避免过热区域，来优化激光粉床熔融（LPBF）过程中的残余应力问题。

Feb, 2024

这项研究介绍了一种新颖的机器学习辅助优化算法，用于实时多热点条件下基于实时多热点条件下基于实时多热点条件下基于实时多热点条件下基于实时多热点条件下的系统并获得准确的温度预测，从而实现全局最优温度控制。

Apr, 2024