表面能是晶体最重要的物理化学性质之一, 对于表面催化、表面吸附、外延生长、结晶形核、枝晶生长等具有十分重要的影响。快速计算和预测晶体表面能有助于加速催化、电池、合金等材料的设计和优化。本工作采用基于数据驱动的机器学习算法, 构建了晶体图卷积神经网络框架并应用于金属表面能预测, 实现了从晶体结构到表面能的快速准确预测。使用基于物理理论的将表面尺寸与晶体的原子以及成键特征相耦合的表面表示方法时, 模型表现最佳, 平均绝对误差值小于0.002 eV/?2。与第一性原理计算相比, 该框架计算时间缩短了约5个数量级。最后, 还进一步探讨了其在硅酸盐等复杂体系的普适性和未来的拓展方向, 以期为机器学习预测表面能的提供参考。

由于卫星遥感合成孔径雷达（SAR）与可见光图像之间存在显著的非线性辐射差异，故现有的SAR与可见光图像配准算法存在实时性差、旋转与尺度不变性弱等问题。针对目前算法只关注图像局部特征的外观信息，而忽略几何结构信息的问题，提出了一种结合卷积与图神经网络（GNN）的SAR与可见光图像匹配方法。该方法采用卷积神经网络进行特征检测与描述的同时，引入了GNN进行特征匹配。与最近邻匹配算法仅利用局部描述符信息相比，GNN先将特征点的位置坐标嵌入到描述符中，使得描述符具有几何位置信息，再利用注意力机制进一步聚合特征描述符的几何上下文信息，最后利用可微分的最优传输算法直接输出特征点的匹配结果，保证了网络可进行端到端的训练。实验结果表明：所提方法在大范围旋转与尺度变化的配准任务上，获得了最先进的性能；与目前主流配准算法辐射不变特征变换相比，所提方法在提升匹配精度的同时，计算速度也提高了50倍以上。

基于机器视觉的粗糙度测量方法大多是根据粗糙度关联指标建立预测模型，或者利用深度学习网络建立无指标预测模型，而这两类方法均存在着不足。一方面，人工设计指标的计算过程复杂，不利于在线检测。另一方面，深度学习模型则严重依赖大数据，数据量不足难以训练出有效的模型。针对以上问题，本文提出一种基于图神经网络的铣削表面粗糙度测量方法。该方法在训练阶段获取了自主学习的能力，而后仅需要少量铣削样本就能够完成铣削工件的粗糙度测量。试验结果表明，本文方法在铣削工件的粗糙度测量上不仅能够自动提取特征，而且表现出了较高的精度和良好的光照环境鲁棒性。