承担机构

研究内容

资助金额/万美元

国家可再生能源实验室

利用机器学习技术、图像神经网络算法开发模型工具，实现电池材料和组分的快速筛选，以及性能的高精度预测，缩短研发周期

105

西北大学

利用深度机器学习技术开发湍流模型，用于辅助风力涡轮机的设计研发，实现对涡轮机性能的低成本高效改进

57

爱荷华州立大学

利用机器学习开发一个混合变量概念设计框架，用于指导新型高性能低能耗微电子材料的高效合成，提升研发效率

60

麻省理工学院

利用机器学习开发一个逆向设计模型工具，用于光伏器件的逆向设计工程，以快速开发出新型高性能新架构太阳电池器件

178

密歇根大学迪尔伯恩分校

基于高斯过程和卷积神经网络方法开发模型，模拟沸腾传热过程，实现对这一过程的快速优化，提高热能传输效率，用于核电和工业蒸汽发电，提升发电效率

66

卡内基梅隆大学

利用生成模型和卷积神经网络开发一种催化剂材料研发框架，该框架涵盖了实验室测试和工业生产原型过程，从而实现对非铂族过渡金属氧化物催化剂最优组分的快速甄别和筛选，加快新型低成本高性能催化剂研发

110

茱莉娅计算公司

利用决策树、监督学习和强化学习方法，开发设计工具实现电力转换器新架构的快速研发和性能评估，缩减研发周期，降低成本

112

马里兰大学

利用深度强化学习技术预测催化剂在反应条件下的表面稳定性，克服传统方法困境和成本高昂问题

43

洛斯阿拉莫斯国家实验室

围绕电催化系统和下一代电池系统，开发一个集成机器学习的加速设计和优化工作流程，提升候选材料筛选速度，并模拟和预测电池性能，增加研发创新效率

90

德克萨斯大学奥斯汀分校

利用机器学习开发建筑供暖、通风和空调（HVAC）系统模型，优化HVAC系统效能，减少能耗

65

IBM研究中心

利用生成对抗网络设计一种反向设计工具，实现在给定环境和性能指标前提下，快速反向设计出涡轮叶片材料和组件

40

斯坦福大学

基于物理知识和机器学习模型，提高从非常规油气藏中开发提取石油和天然气的效率，同时减少开发过程的环境影响

40

密苏里大学

创建高效、准确、可扩展的深度神经网络设计优化解决方案，用于机翼空气动力学研究，以获得最佳的机翼设计和性能

17

联合技术研究中心

利用强化学习开发电力转换器设计工具，实现对设计性能的仿真模拟评估，指导实验室的设计开发，减少开发时间和资金成本

120

通用电气研究中心

利用生成神经网络算法对纳米光子器件设计架构进行全局优化，利用机器学习来加速电磁场计算的求解过程，以加速开发高效低能耗的基于光互联的信息处理和通信系统

136

普林斯顿大学

利用深度学习方法来预测蛋白质间氨基酸相互作用，并构建蛋白质复合物三维结构，用于生物催化反应，助力生物能源研发创新

29

劳伦斯伯克利国家实验室

利用约束规划、生成模型、降阶模型、主动学习等一系列技术来指导设计最佳的功率变换器电路拓扑结构，加速新架构功率转换器的设计研发

80

西北太平洋国家实验室

利用机器学习技术和高仿真建模指导高效多级压缩机的设计研发，减少研发成本和周期

40