［本站讯］近日，计算机科学与技术学院交叉研究中心在AI驱动的计算物理与逆向结构设计领域取得新进展。研究成果被人工智能顶级会议——国际机器学习会议International Conference on Machine Learning 2026（ICML 2026）录用。成果一的共同第一作者为山东大学博士研究生张卫正和硕士研究生谢勋捷，成果二的共同第一作者为山东大学硕士研究生赵振元和博士研究生星宇，通讯作者均为学院教授吕琳，山东大学为第一完成单位。

成果一：MUSA-PINN: Multi-scale Weak-form Physics-Informed Neural Networks for Fluid Flow in Complex Geometries

针对复杂几何域的流体仿真，传统CFD依赖高质量体网格，网格生成成本高昂；标准PINN因逐点残差约束，易导致梯度不稳定与质量守恒性破坏。为解决上述问题，本文提出MUSA-PINN，一种多尺度弱形式物理信息神经网络。其核心思想是将物理约束从逐点强形式转变为多尺度控制体驱动的强弱混合形式：基于高斯散度定理，将连续性方程与动量方程转化为控制体边界上的通量守恒残差，通过在球形控制面上进行通量积分来约束质量与动量守恒；同时设计三层多尺度子域策略与两阶段训练，增强全局物理一致性监督。在TPMS通道中，MUSA-PINN相对误差降低93%，截面质量守恒误差较最佳基线降低97%以上。在液冷板和DualMS热交换器通道上，该方法仍保持平滑流线结构与低相对误差，稳定预测出符合物理规律的流动分布。MUSA-PINN有效缓解了标准PINN的局部监督偏差问题，展示了作为面向拓扑复杂几何的无体网格流场神经求解器的应用潜力。

成果二：AutoMS: Multi-Agent Evolutionary Search for Cross-Physics Inverse Microstructure Design

微结构设计是智能材料、航空航天、热管理与先进制造中的关键问题。如何根据多种物理性能需求逆向设计出可靠的功能微结构，面临高计算成本、多目标耦合与物理约束冲突等挑战。针对这一问题，本文提出AutoMS，一个面向跨物理逆向微结构设计的多智能体进化搜索框架。AutoMS将传统的一次性生成范式转变为由大语言模型驱动、物理仿真反馈约束的闭环优化过程。框架通过LLM理解用户的自然语言需求，并协调解析器、生成器、仿真器和报告器等智能体协同完成设计流程；同时引入仿真感知进化搜索机制SAES，在力学、热学、电学和体积分数等多种约束下持续优化结构设计。在17个跨物理微结构设计任务中，AutoMS取得了83.8%的成功率，显著优于NSGA-II、Bayesian Optimization、CMA-ES和ReAct等基线方法，在物性匹配精度与计算效率方面均表现出明显优势。

ICML是机器学习领域历史最悠久、规模最大、影响最广的顶级学术会议之一，也是中国计算机学会CCF推荐的A类会议。