标签
介绍 Newmark-β-DGN，一个图神经网络框架，它从粗步长运动观测推断内部机械响应，实现无需直接监督的长期力预测与分析。
本文提出了一种强化学习中世界模型的框架，通过区分环境、智能体和联合系统通道，使用计算力学定义规范预测模型，并分析耦合下的复杂性。
介绍了物理审计代理科学机器学习（PA-SciML），这是一种以验证为先的工作流程，其中LLM代理发现替代模型，并针对边界条件和因果性等物理要求而非仅误差指标进行验证。数值示例表明，与仅基于误差的基线相比，可信度有所提高。
本文提出了一种用于模拟双材料系统中瞬态弹性动力学波传播的物理信息神经网络（PINN）框架，以分离式霍普金森压杆中的钢铝试件为例。该PINN能准确预测波的透射和反射，并通过高保真有限元模拟进行了验证，可作为弹性动力学分析的连续代理模型。