- ICML一个高级的受物理启发的神经算子用于高度非线性系统的全面设计优化：航空航天复合材料加工案例研究
该论文介绍了一种针对复杂系统和多输入函数的先进物理信息 DeepONet 模型，通过引入非线性解码器、课程学习和域分解等架构增强和有效训练策略，该模型在高维设计空间中具有显著提高的准确性，比基本物理信息 DeepONet 模型提升了两个数量 - 连续时间数字孪生与模拟记忆电阻神经常微分方程求解器
通过引入一个差分方程解为数字孪生体，本研究实现了捕捉连续时间动态并利用无限深度模型对复杂系统建模的能力，并通过模拟实验证明了其在速度和能效方面相对于传统数字方法的显著性能提升，从而加快了数字孪生体的发展速度，为工业 4.0 的需求提供了高效 - 基于约束的因果发现的大型语言模型
本文研究了大型语言模型在生成因果图方面的能力，通过将条件独立性查询作为 LLM 的提示并与 PC 算法的答案结合，提出了一种基于统计启发的投票模式来改善性能，并发现因果推理可以用于对概率查询进行合理解释，从而证明了基于知识的因果推理可能成为 - 从傅立叶到神经常微分方程：用于建模复杂系统的流匹配
采用傅里叶分析为基础的无需模拟的神经常微分方程框架，在复杂系统的动力学建模方面表现出色。
- 利用深度学习坐标和流动图增强多尺度系统中的计算效率
利用深度学习技术，本文展示了如何开发一种精确的多尺度系统时间步进方法，通过坐标和流图的联合发现来表示多尺度动态，同时采用迭代时间步进估计减少的变量，实现了最先进的预测准确性，同时减少了计算成本。
- 用自适应采样的深度学习方法计算转换概率函数
在这项研究中，我们提出了一种具有两种新型自适应采样方案（I 和 II）的深度学习方法，通过从学习的转变因子函数构建偏执势，实时生成与转变相关的数据，理论上证明了采样方案的优势，并展示了采样方案 II 中的数据均匀分布在转变通道中，这为研究复 - 基于混合机器学习方法的随机参数简化模型
建立适当的数学模型来研究自然现象中的复杂系统不仅有助于加深对自然的理解，还可以用于状态估计和预测。然而，自然现象的极端复杂性使得发展全阶模型并将其应用于研究多个感兴趣的量非常具有挑战性。相反，适当的降阶模型由于其高计算效率和描述自然现象的关 - 复杂系统中可解释故障诊断的 LLM 集成
介绍了一种整合物理诊断工具和大型语言模型的集成系统，旨在增强复杂系统（如核电厂）中故障诊断的可解释性，通过识别故障并提供其造成和影响的清晰易懂的解释，该系统在溶盐设施上的应用验证了其阐明诊断故障与传感器数据之间关联、回答操作员问题和评估历史 - 面向代理模拟器的干预一致替代模型
基于代理的模拟器提供复杂智能系统的细粒度表示，以直接模拟系统组成代理之间的交互。虽然它们的高保真性使得可以进行超局部政策评估和场景推测，但其大量计算成本限制了它们的广泛应用。本文中，我们利用因果抽象的最新发展，提出了一种用于学习在代理模拟器 - 动态网络模型的符号回归
使用复杂系统、网络、遗传编程、符号回归和进化计算等方法，该研究论文介绍了一种用于生成网络结构和发展过程的新型网络生成器，并通过改进的方法和应用于多个数据集的实验证明了其解释性和去中心化特性。
- 复杂系统中的元多样性搜索：人工无穷尽的秘籍？
可以在 Minecraft 中构建一个人工系统，该系统能够无限地生成新颖的惊喜。为了实现这一目标，文章提出了两个关键组件：用于逐渐复杂化和演化物品的复杂系统，以及利用元多样性搜索概念的发现算法。通过模拟人工的 “化学” 系统和 “发现助手” - 智能基于代理的建模：关于在计算机模拟中使用大型语言模型
通过将大型语言模型（LLMs）如 GPT 集成到智能智能体建模（SABM）中，我们在这篇综述性研究中阐明了 ABM 的现状，介绍了 SABM 的潜力和方法，并提出了三个案例研究，验证了其在模拟现实系统中的有效性，同时展望了 SABM 未来应 - PetShop 数据集 — 跨微服务找出性能问题的原因
该论文介绍了一个专门设计用于评估微服务应用中根本原因分析的数据集，该数据集涵盖了分布式应用程序在 5 分钟间隔内发出的延迟、请求和可用性指标。此外，数据集还包括 68 个性能问题，这些问题通过增加延迟和降低系统的可用性来减少。我们展示了如何 - 复杂工业系统中的因果发现：一个时序基准
通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。
- SC-MAD: 高阶网络混合增强数据
通过线性和非线性混合机制对降维复合体进行数据增强，提出一种凸聚类混合方法来处理多个降维复合体之间的数据驱动关系，实现了对现有数据的合成插值，并在简单复合体分类的合成和实际数据集上进行了方法验证。
- 潜在随机动力系统中的转变预警
通过发展新方法：有向各向异性扩散图（directed anisotropic diffusion map），我们能够有效地提取出低维流形中的潜在演化动力学，并应用于真实的脑电图（EEG）数据，找到了适当的有效坐标，推导出能够检测状态转变过程 - 利用连续时间贝叶斯网络分析级联的复杂系统
基于连续时间贝叶斯网络的建模框架用于分析复杂系统中的级联行为，识别可能导致级联行为的潜在哨兵状态，并提供塑料的图形表示和可解释的结果。
- 一种针对具有不同功能状态的复杂物理系统的专用模型的竞争学习方法
通过竞争学习方法，我们提出了一种新颖的数据驱动物理系统模型的方法，该方法使用动态损失函数进行训练，使得每个模型能够竞争性地识别数据集中的不同功能区域，并结合梯度优化器的回归方法进行训练，以成功地发现真实的控制方程，并减少测试误差。
- 复杂系统中的无监督学习
本论文探讨了利用复杂系统研究自然和人工系统的学习和适应能力，旨在开发能够无需监督学习、自主发展并随时间变得越来越复杂的自主系统。复杂系统被视为理解这些现象的适当框架，因其能够展现复杂性的增长能力。通过理解复杂系统中学习的基本原理，我们希望能 - ICML可微分基于代理的模型校准面临的挑战
本文讨论了代理模型（ABMs）的不同陷阱以及对应的解决方案，旨在解决该方法在实践中的困难。