本研究使用生成对抗网络（GAN）机器学习框架开发了随机参数化模型，通过评价天气和气候时间尺度上的模型运行结果，发现一些 GAN 配置表现更好，能够紧密地再现 Lorenz'96 系统的时空相关性和模式。

Sep, 2019

使用机器学习的数据驱动方法来替代参数化方案，并结合随机化技术的大气模型的研究领域关键词。

Feb, 2024

提出了一种基于结构化条件归一化流和高斯过程回归的新型生成模型，可用于对输入与结构化高维输出进行映射，在物理科学等高维结构复杂领域中，能够准确测量预测的不确定性。该模型使得通过化学组成得出实际光谱的条件成为可能，并可以用于对新观察到的光谱进行化学组成的不确定性量化。

Dec, 2022

本文介绍了一种新的神经网络随机模型，用于生成具有湍流速度统计的一维随机场。该模型的结构和训练程序基于克尔莫戈洛夫和奥布科夫的完全发展湍流统计理论，因此可以保证与实验观测一致的能量分布、能量级联和尺度间歇性的描述。该模型是一个具有多尺度优化准则的生成对抗网络，首先使用三个基于物理的准则：生成场增量的方差、偏度和平坦度，分别检索湍流能量分布、能量级联和尺度间歇性。其次，基于重现统计分布的生成对抗网络准则，用于不同长度的生成场的段落上。此外，为了模仿湍流研究中经常使用的多尺度分解，模型结构完全卷积，模型的多个层的内核大小变化。为了训练我们的模型，我们使用摩登风洞的网格湍流的湍流速度信号。

Jul, 2023

本文将扩展扩散模型的框架，将几何先验引入无限维建模，并通过构建噪声过程和近似得分实现对称性，展示了该模型适用于模拟扩散模型的任意对称性情景以及在复杂的合成场景和天气数据上的可扩展性和容量。

Jul, 2023

通过训练一种去噪扩散模型，采用数据增强和网络调节技术的新颖组合，我们提出了一个单一生成模型，可以学习生成多种类型的噪声并在它们之间进行混合，同时可以生成具有空间变化的噪声混合，而无需训练这些数据。通过控制参数和随机性，该模型的行为可由用户控制。我们还将该模型应用于改进反向程序性材料设计；使用该模型代替程序性材料图中的固定类型噪声节点可以得到更高保真度的材料重建，无需事先了解噪声类型。

Apr, 2024

研究了如何通过机器学习，将红噪声与强化学习相结合，提高气候模型对小尺度过程的近似准确性。

Mar, 2022

本文提出一种数据驱动的湍流封闭框架，利用人工神经网络预测湍流源项，建立了多个输入和输出之间的映射关系，优化分析和概率密度函数验证了子网格预测，证明了该方法可推断子网格量，为实现无启发式湍流封闭算法打下了良好的基础。

Aug, 2018

应对气候变化需要准确的本地气候信息，最近的研究使用生成对抗网络 (GANs) 这种深度学习方法，以高效地学习复杂分布和缩放气候变量。为了估计不确定性和表征极端事件的关键信息，捕捉缩放过程中的变异性至关重要。因为缩放是一个不确定问题，许多细致的状态在物理上与粗粒度状态一致。为了量化这个状态不明确的问题，缩放技术应该是随机的，并能够在低精度输入条件下从高精度分布中采样。我们提出了三种改进 GANs 随机校准的方法：a）在网络内部注入噪声，b）调整训练过程以明确考虑随机性，c）使用概率损失度量。我们首先在具有已知分布特性的合成数据集上测试了我们的模型，然后在实际缩放场景中进行了测试，从低分辨率气候协变量预测高分辨率风场分量。仅仅注入噪声即大大改善了在合成数据测试中的条件和完整分布的质量，但对风场缩放表现不佳，在这种情况下模型仍然缺乏离散度。对于风场缩放，我们发现调整训练方法并增加概率损失可以改善校准。最佳模型通过三种改变在捕捉高精度分布的完整变异性方面显示出了显著提升的技能，从而更好地描述极端情况。

May, 2024

我们介绍了一种基于概率扩散模型的新型生成框架，用于多样化生成时空湍流。我们的方法在贝叶斯框架内统一了无条件和条件抽样策略，并能适应各种条件情景，包括指定条件与生成的非稳定流动结果之间具有直接可微分链接的情况以及缺乏明确相关性的情况。我们的方法的一个显著特点是基于自回归梯度条件抽样的长时跨度流动序列生成方法，在没有繁琐的重新训练过程的情况下完成。通过一系列数值实验展示了我们框架的多样化湍流生成能力，包括：1）从 URANS 输入合成 LES 模拟的瞬态流动序列；2）从给定的初始条件、规定的湍流统计数据或完全从头开始生成非均匀的、各向异性的壁面湍流；3）从不同输入分辨率的低分辨率数据中实现高速湍流边界层流动的超分辨生成。综合而言，我们的数值实验突显了所提方法的优点和变革潜力，在湍流生成领域取得了重大进展。

Nov, 2023