我们制定了一类由物理驱动的深层变量模型（PDDLVM），以学习参数偏微分方程（PDES）的参数到解决方案（正向）和解决方案到参数（逆）图。我们的公式利用有限元方法（FEM），深神经网络和概率建模来组装一个深层概率框架，在该框架中，向前和逆图通过连贯的不确定性量化近似。我们的概率模型明确合并了基于参数PDE的密度和可训练的解决方案到参数网络，而引入的摊销变异家庭假定参数到解决方案网络，所有这些网络均经过联合培训。此外，所提出的方法不需要任何昂贵的PDE解决方案，并且仅在训练时间内对物理信息进行了信息，该方法允许PDE的实时仿真和培训后的逆问题解决方案的产生，绕开了对FEM操作的需求，以相当的准确性，以便于FEM解决方案。提出的框架进一步允许无缝集成观察到的数据，以解决反问题和构建生成模型。我们证明了方法对非线性泊松问题，具有复杂3D几何形状的弹性壳以及整合通用物理信息信息的神经网络（PINN）体系结构的有效性。与传统的FEM求解器相比，训练后，我们最多达到了三个数量级的速度，同时输出连贯的不确定性估计值。

生物飞行，滑行和掉落的生物能够具有非凡形式的惯性操纵形式：基于对其多体动力学的精细控制，自由空间操纵，这是猫的自我倾向反射的特征。然而，将惯性的机动能力设计成仿生机器人，例如仿生无人机（UAV）是具有挑战性的。准确地模拟这些无人机在无奇异性环境中的耦合多体动力学需要数值集成符，以确保在强耦合系统中既可以确保无奇异性集成，又可以确保动量和能量保护 - 在现有常规集成商中不可用。在这项工作中，我们开发了一对新的四个季节变化积分器（QVI），显示了这些特性，并证明了它们在仿生无人机中模拟惯性操作的能力，显示了复杂的多体性耦合。这些QVIS被估计，这些QVIS天生没有奇异性。并且是变异的，它们可以表现出出色的能量和动量保护特性。我们探讨了变分集成顺序（左矩形与中点）对集成器的保护特性的影响，并得出结论，在复杂的耦合系统中，规范矩可能会随时间变化，需要中点积分器。所得的中点QVI非常适合分析仿生无人机中的惯性操纵 - 我们在仿真和其他复杂的动力学系统中所证明的功能。

现代高性能战斗机超出了传统的飞行信封通过使用推力矢量进行机动性，因此实现超级措施。随着较持续发展的仿生无人驾驶飞行器（无人机），通过仿生机制的超级制剂能力可能变得明显。到目前为止，这种潜力尚未得到很好的研究：尚未显示生物摩托的无人机能够能够有任何形式的古典超级算法可用于推动矢量。在这里，我们通过展示生物微米传动翼无人机在低变形复杂度下如何执行复杂的Multiaxis鼻子指向和射击（NPA）机动，展示这种能力。非线性飞行动力学分析用于表征飞机修剪状态的多维空间的程度和稳定性，从仿生变形中出现。导航此修剪空间提供了一种基于模型的基于模型的指导策略，用于在仿真中生成开环NPAS操纵。我们的结果展示了仿古飞机用于空战相关的超级借助性的能力，并提供勘探，表征和在此类飞机中进一步形式的经典和非古典超级运动性的指导的策略。

编织是由于界面纱线的固有灵活性以及制造的最近进步而提供了更好地控制局部针迹图​​案的基础，是一种有效的技术。大型针织膜的完全纱线型号是不可行的。因此，我们使用双级均匀化方法，并将膜模拟作为宏观上的Kirchhoff-Love壳牌，作为微尺寸的欧拉 - 伯努利棒。壳体和杆的控制方程用立方B样条基函数离散。为了均化，我们仅考虑膜的面内响应。非线性微观问题的解决方案需要大量的时间，由于大的变形和接触约束的执行，呈现常规在线计算均质化方法不可行。要以此问题申请，我们使用预先训练的统计高斯进程回归（GPR）模型来将Macroscale变形映射到Macroscale应力。在离线学习阶段期间，通过求解通过均匀或软骨采样获得的足够丰富的变形状态的微观问题来训练GPR模型。训练有素的GPR模型编码微尺度中存在的非线性和各向异性，并用作宏观壳的膜响应的材料模型。可以根据网格尺寸选择弯曲响应以惩罚膜的细平面皱纹。在验证和验证所提出的方法的不同组成部分之后，我们介绍了一些涉及受张力和剪切的膜的示例，以证明其多功能性和良好的性能。

Object detectors are conventionally trained by a weighted sum of classification and localization losses. Recent studies (e.g., predicting IoU with an auxiliary head, Generalized Focal Loss, Rank & Sort Loss) have shown that forcing these two loss terms to interact with each other in non-conventional ways creates a useful inductive bias and improves performance. Inspired by these works, we focus on the correlation between classification and localization and make two main contributions: (i) We provide an analysis about the effects of correlation between classification and localization tasks in object detectors. We identify why correlation affects the performance of various NMS-based and NMS-free detectors, and we devise measures to evaluate the effect of correlation and use them to analyze common detectors. (ii) Motivated by our observations, e.g., that NMS-free detectors can also benefit from correlation, we propose Correlation Loss, a novel plug-in loss function that improves the performance of various object detectors by directly optimizing correlation coefficients: E.g., Correlation Loss on Sparse R-CNN, an NMS-free method, yields 1.6 AP gain on COCO and 1.8 AP gain on Cityscapes dataset. Our best model on Sparse R-CNN reaches 51.0 AP without test-time augmentation on COCO test-dev, reaching state-of-the-art. Code is available at https://github.com/fehmikahraman/CorrLoss