K-TRAIL：仿真器引导的EM/RF电路生成式设计框架
电磁/Electromagnetics
K-TRAIL是一个结合扩散模型布局生成与免导数集合卡尔曼引导的EM/RF电路逆向设计框架，通过黑盒电磁仿真器反馈迭代优化候选布局。
见LICENSE文件 电磁逆向设计射频电路扩散模型
论文 / 综述
必读基准论文与技术综述
TokaGLINT：面向全3D托卡马克电磁模拟的可扩展GPU定制隐式求解器
电磁/Electromagnetics
面向托卡马克全3D电磁场计算的GPU加速隐式求解器，通过层级域分解与快速精确局部求解器协同设计实现大规模并行计算。
见LICENSE文件 托卡马克电磁场仿真GPU加速
近地天体初轨确定的神经网络方法比较分析
通用科学ML
比较两种神经网络模型用于近地天体短弧初轨确定问题，填补传统方法在单夜观测弧段不足时的失效空白，服务于小行星监测与天体测量。
见LICENSE文件 初轨确定近地天体小行星监测
刚性弦振动的物理信息神经网络研究
结构/Structural
研究PINNs模拟一维线性刚性弦横向振动的有效性，将PDE及初始边界条件直接嵌入神经网络损失函数。
见LICENSE文件 物理信息神经网络刚性弦振动固体力学
ForceTwin：基于仪器化人类交互的机器人操作物理信息数字孪生
多体/Multibody
ForceTwin通过人类交互数据学习关节物理属性（惯性、摩擦、弹簧机制），构建可预测动作的物理信息数字孪生，赋能机器人精准操作。
见LICENSE文件 数字孪生机器人操作物理建模
周期神经映射：涡轮转子叶片非定常压力与气动弹性载荷预测
流体/CFD
提出周期傅里叶神经映射(p-FNM)框架，通过神经算子对涡轮转子叶片非定常压力分布进行快速预测，适用于叶轮机械气动弹性分析。
见LICENSE文件 神经算子涡轮机械气动弹性
LOInK：基于结构化神经代理模型的逆运动学最优求解方法
多体
提出LOInK方法，通过结构化神经代理模型学习构型空间到解耦任务/潜空间的Lipschitz可逆映射，将代价最小化解置于原点，实现逆运动学近似最优解的高效采样。
见LICENSE文件 逆运动学神经代理模型机器人学
PIVOT：面向野外机器人导航的物理信息视觉-语言可通行性评估
多体/机器人
PIVOT将物理信息引导与视觉-语言模型结合，用于野外环境机器人可通行性评估，增强非结构化地形的导航安全性和可靠性。
见LICENSE文件 机器人导航地形评估视觉语言模型
基于图超网络的可摊销物理信息神经求解器
ScientificML
提出基于算子图的图超网络方法，将PDE的场、导数、项和残差显式建模为节点，实现跨相关偏微分方程的可摊销神经求解器元训练。
见LICENSE文件 物理信息神经网络图超网络算子图
左心室区域材料参数的贝叶斯推断代理建模策略
生物力学/计算医学
提出基于贝叶斯代理模型的框架，从心脏MRI推断左心室五区Holzapfel-Ogden材料参数，突破心肌同质化假设的限制，实现区域性心肌功能障碍的个性化建模。
见LICENSE文件 心脏生物力学贝叶斯推断代理模型
超越PINNs：统一Gauss-Newton与Petrov-Galerkin的神经与混合PDE求解器框架
通用科学ML
提出统一框架，将神经PDE求解器（PINNs）与有限元方法通过函数Gauss-Newton问题与Petrov-Galerkin离散化进行融合。
见LICENSE文件 PINN有限元法PDE求解
基于EIFEM的结构优化加速方法：一种基于ROM的预条件器
结构
提出基于降阶模型的预条件器加速拓扑优化，通过EIFEM框架结合ROM技术降低有限元分析的计算成本。
见LICENSE文件 拓扑优化降阶模型预条件器
澳大利亚大陆尺度概率电阻率成像：深度学习驱动的地质、地下水与关键矿产探测
地球物理
基于26.6亿+航空电磁测点数据，利用深度学习概率反演构建澳大利亚浅层地壳电阻率模型，深度达650米，量化不确定性，服务地质、地下水与关键矿产勘查。
见LICENSE文件 航空电磁电阻率成像概率反演
不确定性下多目标优化的期望超体积最大化方法
ScientificML
提出基于贝叶斯决策理论的多目标优化框架，通过最大化期望超体积处理不确定性下的输入点优化问题。
见LICENSE文件 多目标优化不确定性超体积
基于物理信息神经网络的脉冲激光场快速耦合自旋动力学
量子/化学
基于物理信息神经网络求解少周期激光脉冲中电子自旋动力学，导出静止电子在CEP稳定线性极化平面波脉冲中极化角与即时矢势的解析关系。
见LICENSE文件 物理信息神经网络自旋动力学激光驱动电子源
PosteriorBench：生成式逆问题求解器的后验分布评估基准
通用科学ML
提出PosteriorBench基准，针对科学逆问题中生成式求解器的后验分布匹配能力进行评估，弥补了点估计指标的不足。
见LICENSE文件 逆问题求解生成式模型不确定性量化
面向生态动力学的物理信息逆建模框架：基于有限噪声数据的 Moose-Wolf 系统研究
通用科学ML
提出物理信息逆建模框架，从有限含噪观测数据中推断 Isle Royale 国家公园 Moose-Wolf 生态系统的控制参数，为生态动力学建模提供数据驱动方法。
见LICENSE文件 生态动力学逆问题物理信息方法
历史数据上的物理知识比预测中强制物理约束更重要
通用科学ML
提出PIRNN方法，通过在训练阶段引入历史数据的物理知识，提升物理过程时间序列预测的可解释性和准确性。
见LICENSE文件 物理信息神经网络时间序列预测递归神经网络
预测降阶模型的信息极限阶梯
通用科学ML
提出信息极限阶梯理论框架，量化有限信息条件下降阶模型的可预测性边界，涵盖无记忆/增记忆轨迹预测、事件预测、稳态统计与生成律。
见LICENSE文件 降阶模型信息论预测理论
面向无数据预测与稀疏数据同化的物理信息血流动力学建模
CFD
针对冠脉介入手术的血流动力学建模，提出物理信息方法实现无监督预测与稀疏数据同化，解决传统数值分析和纯数据驱动方法的局限。
见LICENSE文件 血流动力学冠脉介入物理信息神经网络