- 基于核的学习在多智能体应用中的保证
本文讨论了网络中观察到噪声环境下潜在多维非线性现象的基于核的学习问题，提出了一种学习算法，仅需要关于研究对象的轻微先验知识，并提供了相应的非渐近高概率误差界限的模型。本文还提供了方法的非渐近分析和数值模拟结果。
- 无矩阵雅可比链
计算科学和工程中的基本挑战是有效地计算雅可比矩阵。大规模的模块化数值模拟程序可以看作是将不同 iable 子程序进行序列求值，并考虑对应的元素雅可比矩阵。我们假设这些子程序的切线和伴随版本通过算法微分获得，而元素雅可比矩阵一般不可用。将经典 - 小型喷气发动机储层计算数字孪生
使用机器学习技术创建了单螺旋喷气发动机的数值模拟的数字孪生体，并基于该模拟研究的见解，仅使用实验数据创建了 JetCat P100-RX 喷气发动机的数字孪生体。
- 混合数值建模系统中深度学习子模型的在线校准
通过引入新的建模能力，人工智能和深度学习正在重塑数字仿真框架，这些框架在模型校正和参数化方面表现出巨大潜力，并且通常优于传统物理模型。本文提出了一种高效实用的在线学习方法，名为 EGA（Euler 梯度逼近），用于混合系统，该方法通过假设对 - 自然贝叶斯克莱默 - 拉乌界限及其在协方差估计中的应用
我们提出了一个新的 Cramér-Rao Bound（CRB）来估计参数在流形中且遵循先验分布的情况下。通过对几何属性的基于误差准则和这个新界限之间的自然不等式进行推导，我们展示了该主要贡献。在数据服从高斯分布且先验分布是一个逆 Wisha - 一种用人工神经网络解决引力 N 体问题的混合方法
使用人工神经网络的混合积分器来模拟天体运动，以提高计算速度并保持能量准确性。
- 学习放松：在一系列线性系统实例中设置求解器参数
在这篇研究论文中，研究了线性系统求解、数值模拟、连续超松弛方法、赌徒在线学习算法以及数据驱动科学计算，证明了通过使用学习算法可以加速数值方法。
- OpenCV 算法在 RISC-V CPU 上的矢量化改进
本研究讨论了在现有的 RISC-V 处理器上通过改进 OpenCV 库中几个计算机视觉和机器学习算法的向量化来加速计算的可能性，并证明改进的向量化可以将 RISC-V 设备的计算速度提高百分之几十。
- 图卷积网络在多相流和多孔介质中的仿真中的应用
基于图卷积网络（GCN）的代理模型用于近似多相流体动力学在多孔介质中的时空解，并在不规则域几何和非结构化网格上具有良好的泛化能力。
- 基于图神经网络的空气流模拟元学习
本文提出了一种元学习方法，通过使用模型无关的元学习器，能够在仅处理少量特定任务的数据的情况下，提高通过机器学习方法解决计算流体动力学中复杂偏微分方程的模型在未知样本上的表现，同时保持效率。
- 通过运算学习逼近同步发电机的动态响应：朝着基于深度运算器的电力网模拟器建设迈出一步
本文提出了运算符学习框架，基于深度算子网络构建了一套数值仿真方案，有效地近似了同步发电机的暂态响应特性，并提供了一种预测建模算法来更好地预测发电机的动态响应。
- 基于 ODE 的生成模型轨迹曲率最小化
该论文提出了一种基于 curvature minimization 的有效的 ODE / SDE 学习方法，能够在不需要多次神经网络评估的情况下减少生成轨迹的曲率，从而减少采样成本并保持了竞争性性能。
- 基于模拟的并行训练
本文介绍一种训练框架，可对机器学习进行科学计算，并通过缓存数据来减轻同时生成数据的时间延迟。实验表明，该框架在多参数 Lorenz 吸引子的测试中成功缓解了数据偏差，从而可以更好地捕捉系统的复杂混沌动态。
- ICLRREMuS-GNN：用于模拟连续体动力学的旋转等变模型
介绍一种名为 REMuS-GNN 的旋转等变的多尺度模型，它可以用于预测一个输入物理域的输出向量场，改进了在数值模拟中存在的性能限制及深度学习模型在准确性及推广能力方面的不足，实验证明在椭圆柱体不可压缩流动领域具有良好的效果。
- MM三球游动者的化学感知和化学趋向性
本文研究了从 Reynolds 数为零到 Péclet 数（Pe）在 0.06 至 60 范围内的情况下，涉及纳贾菲 - 戈勒斯塔尼安三球游泳者的流体动力学和溶质传输的耦合问题，并采用基于 FEniCS 库的有限元代码对问题进行了数值模拟。 - 基于邻域策略优化的拥堵高速公路交通控制学习
本研究提出了一种基于 PPO 强化学习的延迟补偿反馈控制器，通过控制自适应巡航控制（ACC）车辆的时间间隔来稳定拥堵区域的交通流量，使用 ARZ 模型对一段高速公路上的交通流进行仿真实验，结果表明，相对于 Lyapunov 控制，PPO 控 - ICML利用可微投影动力学和神经网络水动力模型的快速水生动物游泳优化
通过结合 2D 直接数值模拟和基于物理约束的神经网络代理，我们提出了一种新的、完全可微的 FSI 混合方法来优化机器人游泳器的设计，该方法在计算效率上具有显著优势，并可用于计算设计控制软体机器人的直接基于梯度的优化。
- 通过操作员学习加速液态金属喷射增材制造中的局部尺度模拟
本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量，相较于基于神经网络或最近邻算法的降阶模型，操作器学习方法能够在更少的数据点上实现更广的预测泛化。
- U-FNO – 多相流增强傅里叶神经算子深度学习模型
U-FNO 是一种基于傅里叶神经算子的新颖神经网络结构，可用于解决在多孔介质中的多相流问题，相较于传统卷积神经网络模型和 ML 模型，U-FNO 模型在 CO2 注入问题中具有更高的准确性和数据利用率，只需三分之一的训练数据即可实现与该项目 - ICML一种可微分点过程及其在脉冲神经网络中的应用
本文介绍了一种用于训练具有隐藏神经元的脉冲神经网络（SNNs）的学习算法，探讨了一种基于路径梯度估计器的 SNNs 的替代梯度估计器，并开发了一种可微的点过程，用于导出替代梯度估计器。通过数值模拟，研究了梯度估计器的有效性。