本研究提出了一种新型可微物理深度算子（PIDON）架构，旨在解决传统优化方法在复杂系统设计中的高计算成本和低效率问题。该架构在复合材料固化过程优化中实现了3倍的速度提升，展现出广泛的应用潜力。

本研究提出了一种针对复合材料的基础模型，解决了高质量材料数据集稀缺和高成本的问题。该模型在短纤维复合材料数据集上预训练，能够有效预测均匀化刚度，R2得分高达0.959，为材料科学中的基础模型应用提供了新视角。

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。

本研究提出了一种基于深度学习的本构模型，分析含水量的纳米颗粒/环氧纳米复合材料的循环粘弹性行为。利用长短期记忆网络捕捉应力应变关系，并应用于有限元分析，验证了模型在不同加载条件下的高效性和准确性。数值结果与实验数据一致，显示出该模型的优越性。

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。