本文解决了流动性电子伊辛系统中的能量变化计算问题，该问题由于电子结构计算的复杂性而对大规模动力学蒙特卡洛模拟造成挑战。研究提出了一种卷积神经网络模型，能够根据有限邻域内的伊辛配置直接预测有效局部场及能量变化，这种方法适用于大规模系统。通过应用该框架于方格格子的双交换伊辛模型，研究揭示了低温下铁磁域的不寻常粗化现象，展现了机器学习在大规模模拟类似系统中的潜力。

本文介绍了多种行人轨迹预测方法，包括适应性粒子滤波、深度学习和社交物理模型等。这些方法在准确性和效率上显著优于传统技术，能够有效模拟人群行为并提高预测性能。最新的SPDiff模型通过反向扩散过程和群体交互模块，进一步提升了行人移动的预测能力。

本文探讨了深度度量学习中的多种方法，包括密度测量的集成、半监督学习和基于语言指导的视觉相似性学习。研究提出了新的模型和损失函数，以提高模型的泛化能力和性能，并在多个数据集上取得显著改进。

本文探讨了基于机器学习的势场（MLFFs）在分子模拟中的应用，特别是EL-MLFFs模型通过图神经网络优化原子间相互作用，提高了力预测的准确性。同时，研究展示了融合数据学习策略在钛的机器学习势能模型中的有效性，适用于多种材料。此外，sGDML模型和BETE-NET深度学习模型在材料发现和超导体筛选中展现了良好潜力。

提出了一种基于学习的 NNPP 模型，用于在高程地图中快速搜索最优路径。该模型能够在新颖的地图上进行路径规划，显著缩短寻找最优路径的时间，优势随着地图规模的增加而增加。

ASTEROID是一种多阶段计算框架，通过结合便宜但不精确的数据和昂贵而准确的数据，降低了机器学习力场模型的数据成本。该方法在分子动力学模拟中表现良好。