带条件的正规化流方法高效映射相图
本研究通过将问题分为精细程度和粗粒程度两个层面来解决 Boltzmann 分布的高效采样问题。利用粗粒程度空间上的条件正则流，实现了两个层面之间的概率联系，并使用主动学习的粗粒程度模拟来探索构型空间，从而在必要时更新流和进行全原子势能评估，通过丙氨酸二肽的实例表明，与当前最先进的机器学习方法相比，本方法在分子动力学仿真加速上可达到 15.9 至 216.2 倍的加速比。
Feb, 2024
本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。
Oct, 2017
本文提出了一种基于正则流的机器学习模型，旨在从等温等压（NPT）集合中进行采样。通过对完全灵活的三斜晶模拟盒和粒子坐标的联合分布的近似来实现所需的内部压力。将该模型在立方冰和六角冰相的单原子水上进行测试，发现与已有基线相比，Gibbs 自由能和其他可观测量表现出良好的一致性。
May, 2023
我们通过应用贝叶斯推断方法结合分子动力学、熔点模拟和声子计算的热力学数据，得到了一个温度 - 浓度相图，它不仅提供了不同相的自由能随温度和浓度变化的信息，也考虑了由有限长度分子动力学轨迹引起的统计误差的不确定性，并且将有限原子计算的结果外推到无限原子极限，以选择最有效地降低相图不确定性的温度、化学势和下次模拟的原子数。这个算法成功地在 Ge-Si 和 K-Na 两个二元体系的整个浓度和温度范围内进行了测试。
Sep, 2023
本研究使用自动化和无监督的机器学习探索相图，以确定可能出现新相的感兴趣区域。作为范例，我们使用深度神经网络在扩展 Bose-Hubbard 1D 模型中完全无监督和自动化的确定整个相图，发现超固体和超流体部之间的相分离区域具有意想不到的性质，并揭示了超过标准的超流体，Mott 绝缘体，Haldane 绝缘体和密度波相。
Mar, 2020
本文介绍了用于随机时空建模的条件归一化流方法，并通过从 ERA5 数据集中进行的日温度和小时位势地图预测任务的实验证明了该方法在捕捉时空相关性和超出训练时间范围的外推能力方面的有效性。
Nov, 2023