标签
该论文提出了一种代理模型辅助的遗传编程框架，用于动态柔性作业车间调度中调度规则的终身学习，采用自适应两阶段训练策略和基于任务相似性的加权方法，在适应新任务的同时缓解灾难性遗忘。
本文提出了一种动态聚合增强的高效全局优化算法（DA-EGO），用于解决高维涡轮机械设计问题，并通过基准测试和气动应用进行了验证。
该论文提出了一种代理模型方法，用于高效估计信息物理系统在不确定性下的不一致响应面，从而支持敏感性分析和一致性修复的可扩展性。
本文介绍了一种基于物理感知自编码器的潜空间框架，用于参数化动力系统的降阶正向建模和变分参数估计，并在计算流体动力学基准上进行了演示。该方法实现了基于可微代理的逆向建模，并在现实噪声或部分观测条件下展现出更好的校准鲁棒性。
本文提出了一种多模态自回归Transformer代理模型，用于对地质碳封存中的可变井操作和地质不确定性进行建模，实现了准确的预测，并通过MCMC数据同化实现不确定性量化。
本文提出了一种基于句子级能量景观的模型无关、事后解释框架，用于黑盒大语言模型。一个替代能量模型模拟目标LLM，一个轻量级解释器网络识别哪些提示句子对给定输出的影响最大，无需进一步的API调用。
介绍HyperODE，一种零样本替代模型，将ODE结构映射到超图，无需重新训练即可对整类动力系统进行仿真和参数推断。
本文介绍了PCINN，一种混合AI代理模型，用于实时空间原子层沉积（SALD）覆盖率预测，在约77毫秒内实现CFD级精度，并通过可辨识性分析实现可靠的动力学反演。
本文提出HERO（历史增强展开训练），一种通过模型自身优化历史的相对监督来增强自回归神经算子的标准轨迹监督的方法，提高了PDE基准上的长时程精度和稳定性。
本文评估了递归权重共享Transformer架构作为参数高效的替代模型，用于半导体热机械可靠性预测，并在小型工程数据集上比较了性能、参数数量和计算成本。
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。