该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

Feb, 2024

本研究提出了一种可以估算算法性能预测模型泛化能力的方法，并通过在基准测试套件之间训练预测模型来测试该方法的可行性，结果表明，特征空间中的泛化模式确实反映在性能空间中。

May, 2023

开发一种基于机器学习的框架，利用物理波浪模型的许多迭代进行监督学习，准确地预测波浪条件，其中使用蒙特雷湾模型作为示例测试站点，并通过聚合监督学习培训和测试数据集，并将其提供给机器学习模型来复制波高和正确识别特征周期。

Sep, 2017

通过因果分析、深度学习、遵循简约原则的模型选择和符号回归，本文通过一个案例研究展示了利用数据发现海洋罕见巨浪的新符号模型。该模型基于大量浮标观测数据上训练的人工神经网络，同时兼顾预测性能和因果不变性。我们将这个黑盒模型应用于符号回归，转化为数学方程，在现有波浪理论框架下进行解释，从而实现模型的预测能力和可解释性。结果表明，该模型能够重现已知行为，生成良好校准的概率，并在未见数据上取得更好的预测准确性，为罕见巨浪预测提供更准确的方法。

Nov, 2023

该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

Apr, 2023

比较了传统机器学习模型与深度学习算法在推广能力方面的差异，发现深度学习模型具有在训练数据范围之外进行推广的内在能力，对实际应用中的不完整或超出观测范围的数据具有重要意义。

Mar, 2024

利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

Mar, 2024

通过培训算法来提高对于机器学习领域的可靠性，从而应对领域的变化，提高算法的性能，预测其表现并轻量级适应应用领域。

Mar, 2023

通过将数据监督引入机器学习预测模型，我们提出了一种实时模型无关的方法，评估机器学习预测的相对可靠性，并通过针对操作数据集与训练数据集之间的差异来计算预测的相对可靠性，用以支持机器学习预测在常规插值任务中的可信度。

Aug, 2023

在科学机器学习中，我们提出了一种新的多保真度训练方法，利用可用的不同保真度和成本的数据，通过多保真度数据定义线性回归模型的未知参数的新的多保真度蒙特卡罗估计器，并提供理论分析以保证该方法的准确性和对较小训练预算的改进鲁棒性。数值结果验证了理论分析，并表明与仅具有相似成本的高保真度数据训练的标准模型相比，我们用稀缺高保真度数据和额外低保真度数据训练的多保真度学习模型具有数量级更低的模型方差，说明在稀缺数据环境下，我们的多保真度训练策略能够产生具有较低期望误差的模型。

Mar, 2024