本研究提出了一种基于机器学习的数值模拟工作流，利用深度神经网络计算材料的自由能和稳定性，加速多组分材料的表面相图预测，提高分子动力学仿真效率。新框架Uni-ELF有效捕捉复杂分子信息，增强电解质设计的预测能力。

本文提出了一种新方法来解决两时间尺度优化问题，通过平均化步骤改善算子估计，消除主要变量间的直接耦合，从而显著加快收敛速度。该方法在强化学习中表现优异，超越了传统算法，并通过数值模拟验证了理论结果。

MultiScaleGNN是一种新型多尺度图神经网络模型，能够快速推断非稳态连续力学系统的状态。该模型结合活跃学习和神经算子混合模型，显著提升了数值模拟的效率和精度，适用于气候和化学等领域的多尺度问题。

该论文提出了一种基于神经网络的方法，用于计算数据的稳定泛化度量（LSiM），以用于数值模拟结果的比较。该方法应用连锁神经网络架构，通过对数值 PDE 解析器进行控制数据生成来提高数据多样性，其特殊损失函数允许对训练数据进行单个数据样本之间关联性的学习。实验结果表明，该方法相较于其它现有的向量空间和图像度量方法有更好的效果。

该文介绍了两种基于随机神经网络解决高维偏微分方程的方法，避免了维度增加带来的指数级增长。这些方法在多个高维PDE上进行了数值模拟，成本效益高且准确度更高。

该文介绍了两种基于随机神经网络解决高维偏微分方程的方法，避免了维度增加引发的指数级增长。这些方法在多个高维线性/非线性静态/动态PDE上进行了大量数值模拟，成本效益高且准确度更高。