机器学习技术在空间非均匀系统的聚集动力学快速预测中的应用
高维 Gauss-Markov 模型的推断中，我们提出了一种概率数值方法以解决滤波和平滑中存在的时间和内存复杂性难题，并演示了该方法在大规模气候数据集上的可扩展性。
May, 2024
本文提出了一种可扩展的机器学习框架用于预测多体系统的强度等性质，尤其是相分类。该方法基于线性可扩展性和可转移性，通过局部化的先验假设，开发出用于有限大小块强度等性质预测的 ML 模型，并展示了该方法在相分类中的应用。
Apr, 2023
本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量，相较于基于神经网络或最近邻算法的降阶模型，操作器学习方法能够在更少的数据点上实现更广的预测泛化。
Feb, 2022
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
提出了一种基于数据驱动和机器学习的方法来计算代数多重网格 (AMG) 方法中的非 Galerkin 粗网格算子，同时保持整体的 AMG 收敛性，以解决操作符复杂度增加的问题。
Jul, 2023
本研究使用机器学习的符号回归分析了天体物理系统中太阳耀斑 - 泽尔多维奇流量 - 星团质量关系的库，发现了一个由太阳耀斑 - 泽尔多维奇流量和电离气体浓度紧密相关的星团质量的新代理，并测试并证明该新代理在不同宇宙学、物理条件下依然可行，可以用于 CMB，X 线等观测数据的多波段星团质量估计。
Jan, 2022
在空间统计和机器学习中，核矩阵在预测、分类和最大似然估计中起着关键作用。对于大样本量情况，经彻底检查发现，只要采样位置相对均匀分布，核矩阵就会出现病态，这给预测和估计计算中使用的数值算法带来了重大挑战，需要对预测和高斯似然进行近似处理。对当前管理大规模空间数据的方法进行综述表明，一些方法未能解决这个病态问题。这种病态经常导致随机过程的低秩近似。本文引入了各种最佳性准则，并提供了相应的解决方案。
Nov, 2023
采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。
Jan, 2021
本文介绍了如何利用基于自组织映射（Self-Organizing Maps，SOM）的聚类方法来分析近期产生的空间物理过程的大量仿真和观测数据，并得出了聚类图，该图可以很好地定位整个过程中各个区域的特征，因此该方法是一种有前途的数据分析工具，可以用于空间物理过程的仿真和观测数据的分析。
Apr, 2023
基于机器学习的数据驱动方法在流体力学中提出了一种新的解决方案，通过通过在连续的空间和时间域中进行预测和插值来解决传统方法中的固定支持计算和预测的缺点。
Jan, 2024