本研究评估大型语言模型在物理、数学和工程问题中的应用，特别是在有限元分析（FEA）系统中的表现。FEABench基准测试显示，语言模型成功生成可执行API调用的概率达到88%，推动了工程自动化的发展。

本文提出了DeepFEA框架，结合多层卷积长短期记忆网络和自适应学习算法NELO，解决瞬态有限元分析中节点和单元解的预测问题。该方法在结构力学数据集上展现出高准确性和效率，推断时间缩短了两个数量级，显示出在生物医学中的应用潜力。

本研究提出了一种基于机器学习的材料模型框架，适用于弹性和塑性模型，利用前馈神经网络和PODFNN处理多维应变应力数据，并探讨了其在有限元分析中的应用有效性，展示了在结构健康监测中的潜力。

本文介绍了一种神经一体化无网格（NIM）方法，将物理无网格离散化与深度学习结合，提出了S-NIM和V-NIM求解器。通过数值实验验证了NIM在准确性和效率上的优势，并研究了基于机器学习的材料模型在有限元分析中的有效性。