现阶段的主要研究方向为：将GPU并行技术和神经网络技术用于表面生长动力学的偏微分方程模拟。

1）针对长程关联噪声驱动下Kardar-Parisi-Zhang（KPZ）方程理论预测不一致的问题，开展了系统的数值模拟研究。通过利用GPU并行计算突破二维蒙特卡洛模拟的计算瓶颈，完成了大尺寸系统的1+1维与2+1维KPZ及BD模型（属KPZ普适类）的高精度模拟，填补了该方向的数值模拟空白，并观测到该系统中出现的“谷堆状”表面形貌。

2）为克服非线性表面生长方程数值模拟中的发散问题，创新性地提出一种基于深度神经网络的稳定求解方法。该方法通过神经网络表征方程中的确定项，成功实现了含长程时间与空间关联噪声的VLDS及KPZ系统的可靠模拟。结果表明，所提方法具有良好的数值稳定性与泛化能力，为非线性生长方程的数值研究提供了新的稳定求解思路。