通过深度学习的生成模型，预测蛋白质设计以满足复杂的非线性力学特性设计目标，并通过分子模拟验证展示出设计的蛋白质在力学性质方面的新颖性和达到的目标力学特性，为探索巨大的力学生物学蛋白质序列空间提供了快速的途径。

Oct, 2023

借助生成模型和基于数据驱动的应变能函数，本研究针对复杂材料的不确定性和空间异质性问题进行了实验和仿真测试，发展了一种能够包含这些因素的预测模型。

Sep, 2023

研究弹性物理性质潜在表示在图动力学学习中的应用，提出了 EDO-Net 模型将自适应模块和前向动力学模块结合，通过拉力交互实现对不同弹性物质的学习和预测，并在仿真和实际世界中进行了测试和验证。

Sep, 2022

为了开发更快速解决固体力学中的物理方程的求解器，我们引入了一种参数化学习力学平衡解的方法，该方法在计算成本方面优于传统方法，同时可接受地保持准确性。此方法具体应用于微机械学，在微观结构中知道微观力学解，即给定异质微结构的变形和应力场，非常重要。我们的研究表明，基于物理的训练方法在未知微结构上相较于纯数据驱动方法具有更高的准确性。

Mar, 2024

通过学习和演变系统的有效动力学，我们引入生成模型来加速复杂系统的模拟。在提出的 G-LED 中，高维数据的实例被降采样到一个更低维度的流形中，并通过自回归注意机制进行演变。反过来，贝叶斯扩散模型将这个低维流形映射到相应的高维空间，捕捉系统动力学的统计特性。我们在几个基准系统的模拟中展示了 G-LED 的能力和局限性，包括 Kuramoto-Sivashinsky（KS）方程、反向阶梯上的二维高雷诺数流动和三维湍流通道流的模拟。结果表明，生成学习为以更低的计算成本准确预测复杂系统的统计特性开辟了新的前沿。

Feb, 2024

通过与 NeRF 紧密结合，我们展示了物理学模拟可以无缝地生成现实世界物体的高质量弹性动力学。与现有方法不同，我们以无网格的方式离散非线性超弹性，避免了需要中间辅助形状代理（如四面体网格或体素网格）的必要性。我们采用二次广义最小二乘 (Q-GMLS) 来捕捉隐式模型上的非线性动力学和大形变。这种无网格集成方式可以对复杂的、共维度的形状进行灵活的模拟。根据 NeRF 密度场自适应地放置最小二乘核，可以显著减少非线性模拟的复杂性。因此，可以方便地使用我们的方法合成各种高弹性材料的物理真实动画，并以交互速度进行渲染。更多信息，请访问我们的项目页面。

Nov, 2023

通过使用机器学习，本研究描述了一种数据驱动技术来创建高保真度的低维模型，用于灵活纤维动力学的沉积过程预测。

May, 2024

本研究提出了一种基于不同 iable simulator 的软致动器物理可行模型的训练方法，其通过与有限元方法结合来实现闭环控制，基于该模型构建 MPC 控制器，实现对硬币的拉动并获得了低于 5％的仿真误差。

Feb, 2022

该研究介绍了一种生成扩散模型和物理引导技术，可以生成逼真的流动状态序列，从而实现对湍流流动的时间演变的分析，为生成建模在湍流动力学复杂性研究中提供了宝贵的见解。

Jun, 2024

本文提出了一种基于 UNet 的神经网络模型（El-UNet）用于推断机械参数和应力分布，相比于全连接物理信息神经网络，其精度更高且计算成本更低；并且提出了一种自适应空间权重的方法，用于求解三维反向弹性问题，有效性得到验证。

Jun, 2023