DeepFEAv2：非结构化网格瞬态有限元分析的深度学习框架

KATOsuper框架通过灵敏度一致的Fourier神经算子加速拓扑优化迭代，解决了神经代理模型预测目标与灵敏度之间梯度不一致导致的优化不稳定问题。

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。

提出无网格AKAPINN方法求解非线性应变限制偏微分方程，通过精确硬边界假设和伪Huber残差损失函数提升训练稳定性。

基于残差卷积网络构建太阳中微子地球物质效应的深度学习代理模型，在中微子能量和天顶角参数空间内快速预测跃迁概率。

面向光伏承载力规划，以代理模型辅助不确定条件下多目标随机优化，并独立认证高保真结果。