- 利用神经网络快速量化已使用核燃料的不确定性
使用神经网络构建了一种代理模型以降低计算复杂性，并成功预测了用于辐射核能制备中的一些重要特性，如失活热和核素浓度，同时减少了计算成本和风险评估。
- 深度操作网络在核系统数字孪生技术中的潜力
该研究介绍了 Deep Operator Network (DeepONet) 的应用，作为一个强大的代理建模方法，用于数字孪生系统，应用于核工程领域。DeepONet 展现了出色的预测准确性，优于传统机器学习方法。通过广泛的基准测试和评估 - 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。
- 迭代自迁移学习：一种基于小数据集的响应时程预测通用方法论
本研究提出了一种基于小数据集的迭代式自传递学习方法，通过深度适应网络和伪标签策略的耦合，建立对应的数据集，实现针对小数据集的神经网络训练，并选取复杂构件进行案例研究，结果表明该方法能够在不需要外部标记样本、良好预训练模型、额外人工标记和复杂 - 基于主动学习的代理建模技术用于高效模拟参数非线性系统
本研究提出了一种非侵入式优化准则，以有效地构建参数化代理模型，利用基于核的浅层神经网络的主成分分析子空间和主动学习方法构建了 ActLearn-POD-KSNN 代理模型，该模型可以有效地预测新参数位置处的求解，即使在有多个相互作用的激波轮 - 智能抽样用于代理建模、超参数优化和数据分析
在采样技术的研究领域，我们提出智能采样的概念，既可以创建新算法，也可以修改其他领域的适当算法以满足采样需求，经过定量和定性比较发现，简单的算法可以轻松地满足超参数优化、数据分析等方面的采样需求，并且优于当前使用的更复杂的算法，从而更好地利用 - ICMLPFNs 是现实世界贝叶斯优化的灵活模型
该论文介绍了如何利用 Prior-data Fitted Networks (PFNs) 在贝叶斯优化中作为一种灵活的代理模型，并演示了 PFN 在人工高斯过程和超参数优化测试方面的效用。
- 可扩展的 Transformer 用于 PDE 替代模型
本文提出了一种基于轴向分解核积分的可学习投影运算符的因式化变压器模型 Factorized Transformer，该模型使用一维域将输入函数分解为多个子函数，用于计算基于实例的内核。我们演示了该模型在 256 x 256 网格上模拟 2D - 汽车阻力系数的深度和法向渲染代理模型
该研究基于一种新的二维表示法，提出一种基于深度神经网络的代理拖曳模型，以准确有效地评估汽车设计的拖曳系数，并在多个汽车类别中获得了高达 0.84 的 R 方值，这是一项显着向自动生成拖曳优化汽车设计的重要进展。
- 使用代理模型识别多任务学习中的负迁移
本文提出一种通过代理模型解决多任务学习中子任务选择问题的方法，该方法使用线性回归模型预测未见过的子任务组合的性能表现，利用其提供的子任务与目标任务的相关性分数进行选择，可以更准确地预测负面转移，并显著提高现有多任务学习算法的性能。
- 面向工程设计的数据高效代理建模：基于批量模式的深度主动学习回归，无需集成
提出了一种简单且可扩展的主动学习方法，以在学生 - 教师方式下训练替代模型，以取代使用贝叶斯框架对基于深度神经网络（DNN）的替代模型进行复杂的训练过程，从而利用深度学习的优秀能力来减少计算复杂度，在实践中验证了该方法具有可行性并可用于多个 - 数字孪生与人工智能在代理建模中的应用：面向混合和可持续能源系统
本文介绍了基于人工智能的代理建模及其在数字孪生框架和能源系统中的应用，并重点研究了构建有效代理模型的机器学习和人工智能的作用，以及为不同的可持续能源源开发的不同代理模型。此外，本文还描述了数字孪生代理模型及其相关的不确定性。
- 神经网络算子学习中的代价 - 准确度权衡
本文讨论了使用神经网络进行偏微分方程算法中的代理建模，并比较了多种神经网络框架对于连续力学中的 PDE 模型的算子逼近问题的数值研究结果。
- 结合潜空间和结构核的组合空间贝叶斯优化
本文提出了一种基于结构耦合核的 BO 方法 LADDER，使用深度生成模型的潜在表示来优化组合空间，解决了传统 BO 方法中代理模型只利用深度生成模型学习的信息对黑盒函数进行近似的缺陷，并通过实验验证表现优越。
- MM物理信息神经网络在流体动力学代理建模中的改进
通过引入基于物理的规则，将 PINNs 模型用于流体动力学的代理模型，证明了其在数据缺失，边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点，包括提高模型的预测性能，提高对数据噪声的稳健性，并减少对于先前未见 - 基于物理约束深度学习的流体动力学代理建模
本文提出了一种基于受物理约束的深度学习的代理建模方法，以替代传统的基于数值模拟的建模方法，在流体力学问题中得到了很好的应用表现。
- 无需标记数据的高维代理建模和不确定性量化的物理约束深度学习
提出一种基于物理约束深度学习的建模和不确定性量化方法，避免深度学习在小样本问题上的跨度不足，可以用于偏微分方程系统的解决和预测推断，并提供一些解释和量化手段。
- 多保真度计算机实验设计的递归共同克里金模型及其在流体力学中的应用
本文提出了一种基于递归公式的多保真度联合克里金模型，其优点在于该模型通过一系列独立的克里金模型来建立，可以自然地扩展一些传统克里金模型的属性，同时提供了一种通用克里金方程的扩展方法，成功应用于仿真程序的建模，降低了计算复杂度。