应用深度生成模型通过物理学定理来传递极高复杂物理系统中的不确定性。我们构建出一个隐式变分推断公式，并顺利地运用物理学原理作为模型输出的约束条件。这让模型在面对高成本数据采集以及通常小型训练数据集的物理系统建模时具备了一种可扩展的方法来描述随机输入或观测和物理系统输出的不确定性，并以传输动态为规范示例来验证了方法的有效性。

Dec, 2018

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

在多尺度动力学系统中，通过代表性采样长时间尺度的相空间是一项有价值的工作，但也面临挑战。我们展示了基于评分的生成模型可以在这种耦合框架中用于提高多尺度动力学系统的采样效果。

Dec, 2023

本研究解决了复杂系统中多尺度交互作用的建模问题，提出了一种新颖的多尺度状态空间模型，以探讨不同时间尺度系统之间的动态相互作用。通过采用贝叶斯学习框架和粒子吉布斯与祖先抽样算法，我们有效地估计了未知状态，展示了该方法在模拟中的有效性及潜在影响。

Aug, 2024

本研究解决了复杂系统中多尺度相互作用的建模问题，引入了一种新颖的多尺度状态空间模型。通过提出贝叶斯学习框架和开发粒子吉布斯祖先采样算法，研究展示了在估计未知状态时的有效性，为理解不同时间尺度之间的动态交互提供了新方法。

Aug, 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

本研究针对在数据驱动环境中生成符合物理规律的动态难题，提出了一种新框架，将物理先验条件无缝整合进基于扩散的生成模型中。实验证明，该方法能够高效生成高质量的物理动态，具有显著的鲁棒性，推动AI4Physics领域的数据驱动研究。

Sep, 2024

本研究针对从数据中学习复杂物理动态的挑战，通过引入时间反转对称性的正则化项，提出了一个高精度建模的框架，以应对各种动态系统的建模问题。研究首先证明了时间反转损失可以普遍提高建模准确性，最终在混沌三重摆场景中取得了11.5%的均方误差改进，显示了该方法的广泛适用性和有效性。

Oct, 2024

本研究解决了物理系统中的种群动态建模问题，尤其是随机与均场效应的影响。通过基于最优传输和作用匹配的变分方法，我们能够推断出表示种群动态的梯度场，并快速生成反映物理系统动力学的样本轨迹。研究结果表明，该方法在不同物理参数下能够精确预测种群动态，超越了现有的扩散和流动建模技术。

Oct, 2024

本研究解决了在复杂现实系统中应用动态系统理论所面临的数学建模、非线性和高维度问题。我们提出了一种数据驱动的计算框架，能够直接从原始实验数据中推导出非线性动态系统的低维线性模型，从而实现全局稳定性分析。这种新方法提供了对复杂动态行为的深入理解，具有广泛的应用潜力，特别是在物理、气候科学和工程等领域。

Nov, 2024