标签
介绍了一种基于Swin3D Transformer的深度学习代理流水线，用于预测锂离子电池的时空放电动态，显著降低计算成本，同时相比点云基线提高了准确性。
本文提出了一种新颖的方法，将图神经网络与增强神经常微分方程（GNODE）相结合，用于稳定且准确地预测非定常翼型气动力学的时空变化，在跨声速激波和非线性动力学测试中优于自回归基线方法。
本文提出了一种用于时变可靠性分析的双域融合LSTM（DDF-LSTM）模型，该模型集成了时间无关的随机变量和随机过程，通过蒙特卡罗模拟高效地估计失效概率。
本文提出了一种机器学习代理模型，用于预测相互依赖的电力与通信网络中的组件关键性，该模型与高保真模拟器具有高度相关性，同时计算效率高。
本文提出了一种先进的GNN替代模型，用于预测复杂地质构造中CO2羽流迁移，引入了各向异性消息传递机制来处理定向传输，旨在加速碳捕集与封存模拟。
StampFormer 是一种物理引导的深度学习框架，融合几何和材料属性，在不到一秒内预测板料冲压的有限元分析结果，相对误差低于8.5%，实现了高保真度。