机器学习在实验流体力学领域具有重要的应用前景，可以提高测量技术的保真度和质量，改进实验设计和数值模型，并实现实时估计和控制。

Mar, 2023

我们提出了机器学习的连续形式，作为经典数值分析中变分计算与微分积分方程问题的解决方法，演示了如何通过离散化来恢复传统的机器学习模型和算法，同时展示了从这种连续形式自然产生的新模型和新算法。并讨论了如何在这个框架下研究泛化误差和隐式正则化问题。

Dec, 2019

机器学习系统的计算需求和框架的规模和复杂性不断增加，而既有框架开发的创新日益艰难。本文提出 Flashlight 开源库，通过优先考虑开放、模块化、可定制的内部和研究就绪的模型和培训设置，在各个领域实现快速原型设计和实验，为机器学习工具和系统中的创新激发推动作用，从而使机器学习和系统研究人员更加接近。

Jan, 2022

针对机器学习在实时决策中的应用，提出需要一种新的分布式执行框架来实现毫秒延迟、高吞吐、任务图的自适应构建以及异构内核的执行等一系列要求，并提出了一个候选方案，其架构已经获得了 63 倍的性能提升。

Mar, 2017

该研究提出了一种在机器学习系统中扩展现有领域特定的建模驱动工具来支持量子联邦学习的方法，该方法可以为开发人员提供一个从底层到联邦学习库的抽象层，以实现量子机器学习的最新技术。

Apr, 2023

通过运用数值分析理论建立的收敛性测试方法，验证机器学习模型是否准确地学习了某个系统本质的连续动力学过程，成功的模型能够更好地插值和外推，为科学预测提供更精确的数学手段。

Feb, 2022

机器学习在科学计算中已经成为核心技术，能够用于加速直接数值模拟，提高湍流封闭建模，并发展优化的降阶模型，在计算流体力学等领域有着广泛的应用和潜在影响，但也需要考虑一些潜在限制和问题。

Oct, 2021

这篇论文介绍了一种 Differentiable Programming 系统 Zygote，能够从一般的程序结构中获取梯度，该系统支持控制流、递归、突变等几乎所有语言构造，并支持各种高级自动微分技术，可以在不需要任何用户干预或重构来分阶段执行计算的情况下编译高性能代码，从而使得我们能够在深度学习模型中简单地集成一个大的库生态系统。

Jul, 2019

通过将机器学习模型直接拟合到植物传感器数据上，我们采用了一种结构化的方法，将化工厂的每个单元表示为一个机器学习模型，并将这些模型连接成一个类似于流程图的有向图。我们发现，对于较小的工厂，这种方法效果良好，但对于较大的工厂，流程图中大型和嵌套循环引起的复杂动力学导致循环求解器的不稳定性。我们对这个问题进行了深入分析，并表明这不仅是一个专业性问题，而是一个更普遍的挑战，可能在应用机器学习于较大工厂时经常出现。为了解决这个问题，我们提出了一种微调机器学习模型的方法，使得使用常规方法求解循环变得稳定。

Jul, 2023

通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

Jan, 2022