时间子采样减弱了地球物理湍流的递归神经网络仿真中的小空间尺度
本文研究使用循环神经网络以及储备计算和时域反向传播来预测高维和低维复杂系统的时空动态，结果表明：对于长期预测混沌系统，当全部状态动态数据用于训练时，储备计算方法的预测性能优于时域反向传播，但在使用低维数据时时域反向传播方法表现更好。同时该研究还首次量化了使用时域反向传播方法的 Lyapunov 谱。
Oct, 2019
本文使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用Transformer网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。
Dec, 2021
该研究分析了神经操作符模型中自回归误差增长的来源，并探索了减轻其影响的方法，其原理在于引入架构和应用特定的改进，以在不增加计算和内存负担的情况下对这些模型中导致不稳定性的操作进行仔细控制，实验表明采用研究团队的设计原则来构建典型的神经网络模型可以显著降低长期预测的错误率，同时能够在预测时增加8倍的时间跨度而不出现发散的迹象。
Jun, 2023
本文论述了数据问题在数据驱动型方法中发挥的重要作用，通过学习如何过滤转动成分的涡通量，提出了一种基于数据的处理方法，提高了模型的鲁棒性，并讨论了在物理进程中揭示未知数据的隐藏价值。
Jul, 2023
我们提出了两个用于大涡模拟（LES）目的开发的次网格尺度（SGS）湍流模型家族。这些模型的发展需要以物理为基础的强大且高效的深度学习（DL）算法，与最先进的分析建模技术不同，该算法能够产生输入和输出之间的高阶复杂非线性关系。
Jul, 2023
我们通过时间序列机器学习方法，对稳定分层湍流应用于非稳定雷诺平均N-S（URANS）方程的闭合建模进行开发。通过直接对力平衡进行建模，我们考虑了两种时间序列机器学习模型：长短期记忆（LSTM）和神经常微分方程（NODE）。我们通过提取复杂系统的物理相关时间尺度，探索了机器学习模型的数据需求，并发现模型准确捕捉稳定分层湍流动力学所需的最小信息的时间尺度比例与流体的雷诺数相对应。此研究提供了探索这类模型捕捉高维复杂稳定分层湍流动力学能力的基础。
Apr, 2024
该研究聚焦于采用储层计算方法，提出了一种新的输入数据映射方案，并将其应用于两种创新的网络结构，提高了神经网络的并行性、深度和预测能力，同时减少了对随机性的依赖。在对来自 Mackey-Glass 方程的一组时间序列进行评估时，与回声状态网络和门控循环单元相比，对于混沌时间序列，误差减少了高达 85.45%，对于非混沌时间序列，改进达到了高达 99.99%。
Jul, 2024
本研究解决了气候模拟中由短时训练数据导致的长期极端事件风险量化问题。通过训练后处理校正算子，能够在有限训练数据下非侵入性地校正长期模拟，从而直接学习系统动力学。研究结果显示，该框架在对抗严重欠解析模拟时，可以有效预测超过训练数据30倍的时间范围内的各向异性统计数据。
Aug, 2024