通过开发基于概率扩散框架的生成性深度学习模型，我们实现了低保真度、粗粒度模拟信息向高保真度对应物的映射，无需进行多次高保真度模拟分析，代之以放大轻量级粗网格模拟。我们通过实现一个二维扩散模型，将粗粒度模拟的熔池横截面空间放大到高保真度的等效尺寸，展示了熔化过程的关键度量，如温度场、熔池尺寸和关键孔造成的变异性在真实模拟数据和扩散模型输出之间的保持，并在低保真度输入数据的基础上预测了 3 微米的熔池深度，比高保真度模拟降低了两个数量级的分析时间。

Nov, 2023

我们展示了一种多保真度（MF）机器学习集成框架，用于逆向设计光子表面，该框架基于一个由我们使用高通量飞秒激光加工制备的 11,759 个样本的数据集进行训练。MF 集成组合了一个初始低保真度模型以生成设计解决方案，并与一个通过局部优化对这些解决方案进行改进的高保真度模型。组合的 MF 集成可以生成多个不同的激光加工参数集，每个参数集都可以以高精度（均方根误差 < 2%）产生相同的目标输入光谱发射率。SHapley Additive exPlanations 分析显示出复杂的激光参数与光谱发射率之间透明的模型可解释性关系。最后，MF 集成通过制备和评估由其生成的用于改进效率的能量收集装置的光子表面设计进行了实验验证。我们的方法为推进在能量收集应用中的光子表面逆向设计提供了强大的工具。

Jun, 2024

通过比较多种多保真度方法构建高斯过程代理进行回归，我们发现多保真度方法通常具有较小的预测误差，且对于相同计算成本而言，其效果因不同场景而异。

Apr, 2024

多重保真度代理模型结合了不同来源的准确性和成本不同的数据。它战略性地使用低保真度模型进行快速评估，节省计算资源，并使用高保真度模型进行详细优化，它通过解决不确定性和超越单一保真度模型的限制来改善决策。融合高保真度数据用于详细响应，并且频繁融合低保真度数据用于快速近似，有助于在各个领域进行设计优化。

Apr, 2024

多层次方法的自适应采样在增强替代建模和设计优化方面具有更高的效率，并且利用潜在嵌入和相关性分析来指导未来样本的选择，从而在全局拟合和贝叶斯优化中提供了更好的性能。

Oct, 2023

用机器学习框架将高速彩色成像下的热像与熔池横截面轮廓进行相关联，以模拟超声成像所观察到的熔池亚表面形态，并通过与实验熔池观察结果进行比较评估性能。

Apr, 2024

多保真度代理模型通过聚合来自多个来源的数据，以学习最高保真度级别的准确代理模型。我们提出了一种新的多保真度代理模型框架 - 多保真度残差神经过程 (MFRNP)，通过对较低保真度的代理模型输出进行聚合，并对聚合结果与最高保真度的真实数据之间的残差进行建模，从而实现准确的信息共享。在学习偏微分方程和实际气候建模任务中，MFRNP 显著优于当前最先进的方法。

Feb, 2024

本文提出了一种简洁的深度多保真模型 (DMFM) 和物理驱动的深度多保真模型 (PD-DMFM)，用于温度场预测，利用低保真度的数据来提高模型性能并减少对高保真度数据的依赖。通过对两个温度场预测问题的验证，证明了该方法可以显着降低模型对高保真度数据的依赖性。

Jan, 2023

多保真度模型集成多个数据源以产生底层过程的单个逼近器，并通过稠密低保真样本来降低插值误差，通过稀疏高保真样本来补偿低保真样本中的偏差或噪音。本文将深度高斯过程扩展到包含梯度数据，并在实际的偏微分方程问题中进行应用，其中预测高超声速飞行器在一系列飞行条件和几何形状下的空气动力系数。在两个例子中，增强梯度的深度高斯过程模型胜过增强梯度的线性高斯过程模型和非增强梯度的对照模型。

Feb, 2024

研究了一个多保真代理模型框架，将多项式相关函数扩展（PCFE）与高斯过程（GP）相结合，提供了一种称为 H-PCFE 的有效代理模型，并引入了具有不同保真度的级联模型体系，称为 Deep-HPCFE，其通过在不同模型之间引入空间相关性，有效地解决了由低保真度模型引起的预测误差问题。该多保真度框架的性能评估和数字双胞胎系统的实际应用证明了其有效性。

Jun, 2023