基于注意力的机器学习方法用于数据压缩，具有保证的误差界限

提出了一种基于图的下一步预测模型，采用类Transformer的时序关注模型捕捉长期依赖关系。

通过在petascale CFD模拟的数据上进行实验，证明深度学习模型可以通过有损压缩的数据进行训练和测试。

构建了一个大数据框架，展示有损压缩算法在科学数据建立社区数据集的现实途径。

提出的神经网络模型在不牺牲重建质量的情况下，显著压缩大规模科学数据，达到了140的压缩比。

SRN-SZ模型在相同误差边界下压缩率提高了75%，在相同峰值信噪比下提高了80%。

BLASTNet 2.0数据集解决了三维高保真可压湍流流动模拟数据稀缺的问题，评估了49种深度学习方法的性能。

研究表明，预测性能可以随着模型规模和成本的增加而提高，体系结构对于较小模型尤其重要。

提出了一种新技术，通过自适应误差控制的时空自适应压缩，提高分析精度并减少存储成本。

使用保证误差界限的保证块自编码器方法，能够在保持原始数据误差可接受范围内实现二个数量级的减少。

提出的多步算法通过引入稀疏性减少参数数量，应用于多个偏微分方程模型，减少了30%的参数数量。

NeurLZ框架显著提升了科学数据的有损压缩性能，在相同数据失真下比现有最佳方法减少了高达90%的比特率。