This page is still under construction !

MatSwarm

工业4.0的快速发展对材料科研机构间的无缝协作提出了更高要求，以加速先进材料的发现。然而，现有平台在整合大规模异构数据集方面仍面临挑战，导致“数据孤岛”问题，制约了协同创新的推进。北京科技大学通过国家材料数据管理与服务平台（NMDMS）积极应对这一难题。该平台已整合来自30余家单位的超过1400万条材料数据，支持材料基因工程中的高通量实验与协同研究。

NMDMS平台的成功依赖于其先进的数据规范化机制、分布式存储体系以及基于区块链的中间件设计，确保了跨机构数据共享的安全性与可信度。在此基础上，MatSwarm框架进一步引入群体迁移学习方法，有效提升了在非独立同分布（non-i.i.d.）数据下的模型精度与泛化能力。NMDMS作为材料科学领域的先导性平台，正引领创新，推动构建安全、高效、协同的材料计算新范式。

PhySwarm

机器人集群能够通过局部感知、有限通信和去中心化决策展现出协调一致的集体行为，但当行为跨越多个阶段时，对其涌现过程进行建模与控制仍具有挑战性。本文提出PhySwarm，一种融合物理规律的Micro-Macro框架，将多阶段集群涌现表示为受物理约束的密度场演化，并与可执行的机器人运动相耦合。在宏观层面，一个多相对流-扩散-反应模型（Macro-ADR）通过定向传输、基于扩散的空间调控以及行为相变来描述依赖于阶段的集群密度演化；在微观层面，一个微观等效确定性运动模型（Micro-EDM）通过势场对流、密度梯度补偿以及速率或事件触发的相切换机制实现这些过程。神经物理控制器将局部观测与时间记忆映射到有界物理参数上，并采用强化学习与物理信息神经网络（PINN）相结合的目标函数进行训练。在包括路径引导觅食、可重构编队导航以及角色自适应搜救在内的概念验证群组任务中，PhySwarm 在统一的物理感知建模框架内生成了具有多阶段特性的涌现行为。