标签
This paper proposes a method for simulating large LLM-agent societies on a laptop by fitting low-parameter surrogate models from a few hundred queries, using a statistical-physics-based taxonomy to predict when this approximation holds. The approach is validated on EconAgent and several other simulations using DeepSeek-elicited agent behaviors.
本文开发了神经算子代理模型，用于预测浸没边界软体游泳器周围的水动力学场（速度、涡量、压力），在保留轨迹上实现了较低的全局相对误差，同时指出压力精度和物理一致性是进一步工作的重点。
本文提出了一种神经控制微分方程（Neural CDE）框架，用于学习构网型逆变器的连续时间替代模型以进行EMT仿真，该框架结合了双慢/快路径和物理启发式正则化，以捕捉多时间尺度动态。
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。
本文提出了一种数据驱动的代理建模框架，采用混合图神经网络-长短期记忆网络架构预测增材制造短纤维热塑性复合材料的静态响应，实现了高精度（R²≈0.98），且计算速度相比有限元模拟提升了两个数量级。
Physics-conforming Latent Twins 是一种用于学习潜在替代解算子的框架，通过约束转移方法和保持结构的潜在动力学，在设计中强制执行物理原理（如守恒定律和耗散不等式）。
MIT研究人员提出了一种利用深度神经网络进行核临界实验逆向设计的方法，该方法采用新颖的多组注意力池化架构和基于梯度的优化策略，以最大化中子相似性系数。该方法被应用于验证HALEU燃料运输容器，在三种目标构型下均取得了较高的相似性评分。
本文提出了一个全面的数学框架，用于使用傅里叶神经算子（FNO）及其物理信息变体（PINO）对三相黑油油藏动态进行连续代理建模，并应用于Norne基准油藏。理论贡献包括泛函分析公式、协变量偏移分析、物理约束谱稳定性以及截断反向传播梯度分析。
本文介绍了Mask-Morph Graph U-Net（MMGUNet），一种基于图神经网络的代理模型，用于耐撞性场预测，通过粗图变形和掩码预训练解决几何可泛化性问题。
本文提出了一种主动学习框架，将高保真 Modelica 仿真与更简单的代理模型（SINDyC、FNN、GRU）相结合，以创建高效的热能分配系统数字孪生。该方法在保持预测精度和实现不确定性量化的同时，显著减少了所需的仿真轨迹数量。
本文介绍了AeroJEPA，一种用于可扩展3D气动场建模的联合嵌入预测架构。它通过预测流场的语义潜在表示，解决了当前代理模型在可扩展性和设计实用性方面的局限性，从而实现了高效的高保真分析和设计优化。
研究者提出一种代理建模框架，可量化并解释黑盒大模型内部编码的医学知识，同时揭示有效关联与持续的种族偏见。