提出一种名为AdaLED的新型系统框架，以自动编码器为主要工具，利用概率递归神经网络进行时间步进，通过在线训练不断改进，建立预测模型从而实现大规模模拟的高速运行和在线适应性学习，应用在Van der Pol振荡器，2D反应扩散方程和2D Navier-Stokes圆柱流中，具有较高的准确性和鲁棒性。

Apr, 2023

对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为Latent Dynamics Network的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

Apr, 2023

提出了一种方法，通过在一种框架内结合变分自动编码器和(时空)注意力机制，从高维经验数据中学习动力系统，以实现确定一定科学动力学不变的设计，这种方法允许在任何连续时刻有效推断系统行为，是从异构数据中高效学习动态模型的一种有前途的新框架。

Jun, 2023

提出了一种可解释学习有效动力学（iLED）框架，通过融合Mori-Zwanzig和Koopman算子理论，实现与循环神经网络模型相当准确度的建模和仿真，具备可解释性，适用于解决高维度多尺度系统。

Sep, 2023

在这项工作中，我们提出了一种概率形式主义来学习多时间尺度世界模型，即Multi Time Scale State Space (MTS3) 模型。我们的模型使用多时间尺度上的计算有效推理方案，以对未来数秒的高准确性和不确定性进行预测。我们的实验集中于行动条件下的远期预测，结果显示 MTS3 在包括复杂模拟和真实世界动态系统的多个系统识别基准测试中胜过了最近的方法。

Oct, 2023

RefreshNet是一个多尺度框架，通过结合卷积自编码器和多个具有不同时间分辨率的递归神经网络模块，在计算效率和预测准确性方面取得了突破，尤其在长期预测方面表现出优势。该框架经过三个基准应用验证，显着优于现有技术，标志着对于复杂系统建模的重大进展并为理解和预测其行为开辟了新的途径。

Jan, 2024

通过解耦方法，本文提出了一种用于表征多尺度动力学的新求解模式，该模式通过将大尺度动力学独立建模并将小尺度动力学视为其受控系统，在正交基函数空间中开发了一种谱PINN来逼近小尺度系统。该方法的有效性通过广泛的数值实验得到了证明，包括一维Kuramot-Sivashinsky (KS)方程，二维和三维Navier-Stokes (NS)方程，展示了其在解决流体动力学问题方面的多功能性。此外，我们还深入研究了该方法在更复杂情况下的应用，包括非均匀网格，复杂几何，带有噪声的大尺度数据和高维小尺度动力学的问题。对于这些情景的讨论有助于全面了解该方法的能力和局限性。这种新的解耦方法简化了时空系统的分析和预测，其中可以通过低计算要求获取大尺度数据，然后通过谱PINNs捕捉到具有改进的效率和准确性的小尺度动力学。

Feb, 2024

通过学习和演变系统的有效动力学，我们引入生成模型来加速复杂系统的模拟。在提出的G-LED中，高维数据的实例被降采样到一个更低维度的流形中，并通过自回归注意机制进行演变。反过来，贝叶斯扩散模型将这个低维流形映射到相应的高维空间，捕捉系统动力学的统计特性。我们在几个基准系统的模拟中展示了G-LED的能力和局限性，包括Kuramoto-Sivashinsky（KS）方程、反向阶梯上的二维高雷诺数流动和三维湍流通道流的模拟。结果表明，生成学习为以更低的计算成本准确预测复杂系统的统计特性开辟了新的前沿。

Feb, 2024

利用深度学习技术，本文展示了如何开发一种精确的多尺度系统时间步进方法，通过坐标和流图的联合发现来表示多尺度动态，同时采用迭代时间步进估计减少的变量，实现了最先进的预测准确性，同时减少了计算成本。

Apr, 2024

本研究针对未知的多尺度随机动态系统中的慢变量动态建模方法。我们提出了一种基于观测数据的生成性随机模型，能够准确捕捉慢变量的有效动态，并通过一系列数值实例展示其有效性和优势。该方法为多尺度系统的建模提供了新的视角和工具。

Aug, 2024