本文研究了物理模型替代建模中的数据生成不平衡问题，提出了一种自适应采样算法（ASADG），通过优化输入数据选择，提高了替代建模的准确性和效率。研究表明，ASADG在数据生成方面优于传统方法。

本研究提出了SMT-EX，一个开源的替代建模工具，集成了解释技术，解决了替代模型可解释性不足的问题，并展示了其在不同问题特征下的优异适应性和效果。

该文章介绍了一种决策为中心的替代建模概念，用于实时环境下的非线性优化问题。通过学习简化的凸优化模型，最小化决策预测误差，验证了该框架在非线性化学过程中的有效性，并与标准的数据驱动替代建模方法进行了比较，证明了该方法的数据效率更高。