本研究提出了一种新型可微物理深度算子（PIDON）架构，旨在解决复杂系统工程设计中的高计算成本和低效率问题，实现复合材料固化过程的优化，速度提升达3倍。

本研究提出了一种针对复合材料的基础模型，通过短纤维复合材料数据集进行预训练，学习稳健特征。结果表明，即使在有限数据下也能有效预测均匀化刚度，R2得分高达0.959，为材料科学提供了新视角。

河北大学和根特大学的研究人员开发出了一种具有良好水分散性和对X射线高度敏感的闪烁体材料。他们成功制备了三种材料，包括具有辐射致发光特性的聚氨酯泡沫材料、可用于X射线成像的柔性水凝胶闪烁体屏幕和用于多级防伪信息加密的复合水凝胶。这些材料在X射线检测和成像方面具有潜在应用价值。研究结果发表在Nature Communications上。

提出了一种可扩展、高效且可解释的机器学习方法来表示循环塑性并替代基于径向返回映射算法的传统材料模型。该模型结构相对于现有的解决方案更简单、更高效，并能表示完整的三维材料模型。通过验证和测试，证明了该模型的准确性和稳定性。

本研究提出了一个多模态深度学习框架，通过融合物理属性和化学数据，成功预测了一种复合材料的物理特性。该框架处理了18维复杂性，预测了913,680个物性数据点。研究推动了对不同材料和更复杂模型的研究，并接近预测所有材料属性的终极目标。