我们提出了基于图神经网络的代理模型 GNN-Surrogate 来探索海洋气候模拟的参数空间，其可以准确高效地预测模拟结果并帮助科学家通过用户指定的可视化映射探索模拟参数空间。

Feb, 2022

该研究提出了 VDL-Surrogate，一种基于神经网络的代理模型，用于探索集合模拟的参数空间，以实现高分辨率的可视化，并且提供用户指定的可视化映射。

Jul, 2022

我们引入了决策为中心的替代建模的概念，以解决实时环境下的计算困难的非线性优化问题。所提出的数据驱动框架旨在学习一个更简单的，例如凸优化模型，该模型经过训练以最小化决策预测误差，该误差定义为原始优化模型和替代优化模型的最优解之间的差异。我们将学习问题作为双层规划问题来进行建模，可以看作是一个数据驱动的逆优化问题，我们采用之前工作中的分解型解决算法进行处理。我们通过涉及常见非线性化学过程（如化学反应器、热交换网络和物料混合系统）的数值实验验证了我们的框架。我们还详细比较了以决策为中心的替代建模和标准的数据驱动替代建模方法，并证明了我们的方法在产生简单的替代模型且预测决策准确性更高方面具有显著的数据效率。

Aug, 2023

这篇论文介绍了一种用于训练、自我优化和自我组织的代理模型方法论框架，用于逼近和加速多物理模拟，通过与两种优化算法和一种综合评估策略的结合训练和优化管道的性能评估，实验证明了代理模型能够准确逼近基础模拟，并使用可解释的 AI 技术分析代理模型并进行预选择策略以确定真实示例中最相关的特征。

Sep, 2023

用于模拟建模的代理模型中的不确定度传播是一个重要的问题，本论文提出了一个可伸缩的贝叶斯方法来进行全面的不确定度量化、传播和验证，并展示了在线性和非线性建模场景中使用该方法的案例研究。

Dec, 2023

利用去噪扩散概率模型 (DDPMs) 训练一种具有不确定性意识的代理模型用于湍流仿真，结果表明 DDPMs 能够成功捕捉解的完整分布并准确估计仿真的不确定性。与贝叶斯神经网络和异方差模型相比，DDPMs 在各种准确性指标上表现更好，并提供完整的不确定性分布，从而能够生成真实和详细的解分布样本。

Dec, 2023

本研究介绍了基于Occam Plausibility Algorithm的代理模型(OPAL-surrogate)，提供了一个系统的框架来揭示大量潜在模型中基于深度神经网络的代理模型，包括不同的神经网络类和架构选择，并利用层次贝叶斯推理和模型验证测试来评估代理模型在不确定性下的可信度和预测可靠性，实现了模型复杂性、准确性和预测不确定性之间的平衡。通过两个建模问题，包括多孔材料变形用于建筑隔热和混合火箭马达中固体燃料剥蚀的湍流燃烧流，验证了OPAL-surrogate的有效性。

Mar, 2024

通过引入条件伪可逆归一化流，我们提出了一种构建受加性噪声污染的物理模型的替代模型的方法，以便有效量化前向和反向的不确定传播。我们的模型可以直接学习并高效地从条件概率密度函数中生成样本，并且可以针对任何高概率区域被训练集所覆盖的条件概率密度函数生成样本。此外，伪可逆性特性使得我们可以使用全连接神经网络结构，简化了实现并实现了理论分析。我们的方法经过了严格的收敛性分析，证明了其能够使用KL散度收敛于目标条件概率密度函数。为了证明我们方法的有效性，我们将其应用于几个基准测试和一个真实的地质碳储存问题。

Mar, 2024

通过将主动学习策略用于深度神经网络(DNN)代理训练，可以智能地和客观地选择训练模拟，减少生成大量模拟数据的需求，并降低DNN代理性能对预定义训练模拟的依赖，为高性能科学模拟的有效性奠定了基础。

Jul, 2024

本研究解决了利用机器学习代理模型在逆偏微分方程解中量化总体不确定性的问题。提出了一种近似贝叶斯方法，该方法综合考虑观测数据及偏微分方程和代理模型的不确定性。实验表明，与其他方法相比，该方法在参数和状态后验分布中提供了更为详细的信息，具有显著的应用潜力。

Aug, 2024