基于物理引导机器学习与多目标优化的Co基超合金γ'相溶出温度逆设计

提出物理信息机器学习框架，结合多目标优化实现Co基高温合金成分逆向设计，提升γ'相solvus温度并兼顾合金密度。

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。

针对城市热应力问题，采用贝叶斯优化与代理模型框架分析城市冠层热缓解策略的参数范围，平衡白天空气温度、夜间空气温度和UTCI等热指标间的权衡关系。

提出SO(3)等变神经卡尔曼网络（SENK），构建响应态级联解决振动光谱跨化学空间预测难题，适用于分子材料性质预测。

针对316L不锈钢氢脆检测，提出区域留出(region-held-out)协议避免训练-测试集信息泄露，评估纹理特征与深度学习模型在SEM微观图像分类中的性能差异。