本文研究了在原位应力变形实验中利用定量透射电子显微镜（TEM）揭示金属晶格中线性缺陷 —— 位错的运动。通过定量比较现有的实例分割方法，并将位错分割结果转换为数学线条以进行定量分析，我们提出了一种基于长度的新颖质量度量指标，用于估计网络性能。我们的分割方法准确性高且适用于领域特定的后处理，此外，我们提出的物理度量方式在性能上表现更加稳定可靠。

Sep, 2023

本研究提出了一种基于统计学习的无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统，该方法提供了鲁棒的几何感知或几何无关的表示，可用于测量轨迹的基础上进行无偏的动力学比较，并设计了一种具有最先进准确性的解码算法。

Apr, 2023

材料科学与工程领域的研究主要集中在材料的设计、合成、性质和性能。晶体材料是一类被广泛研究的重要材料，包括金属和半导体。晶体材料通常包含一种名为 “位错” 的不同类型缺陷，该缺陷显著影响材料的诸多性质，包括强度、断裂韧性和延展性。最近，研究人员通过实验表征技术和模拟（如位错动力学模拟）致力于理解位错行为。本文介绍了如何利用语义 Web 技术通过本体对位错动力学模拟数据进行建模。我们通过添加缺失的概念并将其与两个相关本体（即基础多透视材料本体和材料设计本体）进行对齐，扩展了现有的位错本体，从而实现了对位错模拟数据的有效表示。此外，我们展示了一个实际应用案例，将离散位错动力学数据表示为知识图（DisLocKG），展示了它们之间的关系。我们还开发了一个 SPARQL 终端，为查询 DisLocKG 带来了极大的灵活性。

Sep, 2023

本文开发了一种新的不要求非独立性的、称为量化坐标可识别性的可识别性形式，并全面证明了离散坐标的恢复

Jun, 2023

本文提出了一种持续学习框架，用于监测和检测数据分布的变化，通过自组织聚类和潜空间的统计方面探索这个问题，方法可以应用于有监督和无监督的环境中，并且通过比较高斯信号构建数据分布变化的评估，具有快速和稳健的特点，通过与其他无监督技术的比较实验证明了方法的潜力。

Apr, 2024

本文介绍了一种新颖的隐式位移场在 3D 几何形状的表达及重构中的应用，它将一个复杂的表面表示为一个平滑的基础表面及一个沿着基础表面法线方向的位移，实现了高低频信号的分解，提高了表达能力、训练稳定性及泛化性。

Jun, 2021

本文提出一种基于自动编码器的方法，无需监督信号，从而学习图像模型中的对象结构，发现了与手动注释地标更为相关的语义有意义的地标，这些地标是识别视觉属性的补充特征，并且自然地创建了一个无监督、可感知的界面，用于操纵对象形状和解码具有可控结构的图像。

Apr, 2018

利用机器学习方法开发数据驱动的移动定律的图神经网络模型，提高离散位错动力学模型的准确性与速度，并模拟金属塑性过程中的应力和位错行为。

Sep, 2023

本文中提出了一种简单且可解释的无监督学习方法，可以生成具有内在结构的三维结构点，这些点在类似结构的所有形状实例中表现出语义的一致性，并且通过采用 PCA 嵌入技术，本方法在保留形状结构方面表现出良好的性能。

Mar, 2020

通过拓扑数据分析法，我们提出了一种新颖的深度学习框架，以更好地分割和不确定性评估复杂的细微结构，如生物医学应用中的神经元、组织和血管，为可扩展的标注提供了有力工具。

Mar, 2024