本文介绍了一种结合神经网络和可微求解器的等离子体动力学建模框架，应用于惯性聚变领域，探索新物理效应。研究利用神经偏微分方程进行快速模拟，考察图神经网络替代传统模拟器的可能性，并通过深度学习提高等离子体演化预测精度，成功降低电流干扰，为托卡马克研究提供新方法。

通过深度学习的注意力增强神经微分方程模型研究了纳米孔膜中离子的运输，揭示了注意力机制在离子配对关系中的作用。该模型在复杂运输现象建模方面表现出色，为各种应用提供了有前途的途径。

该研究使用西门子公司提供的热力学软件，通过模拟不确定性，实施了三种深度强化学习算法来处理燃气轮机调度问题。其中，深度 Q 网络（DQN）获得了最高奖励，近端策略优化（PPO）是最高效的方法。还提出了一种动态分配燃气轮机运行和维护成本的方法，更好地近似了现代燃气轮机调度的真实成本。

本文介绍了一种无监督领域自适应方法——CORAL，通过对齐二阶统计信息来最小化领域偏移，不需要目标标签。与子空间流形方法相比，CORAL更为简单，还扩展到了非线性转换对齐深度神经网络中的层激活的相关性。在标准基准数据集上取得了最新的性能，最终获得了Deep CORAL方法。