本研究提出了一种新光学系统，解决了云层遮挡太阳带来的太阳能发电不确定性问题。该系统通过算法和气象数据准确预测太阳遮挡和辐照度，提高了预测准确性。

本研究提出了一种基于贝叶斯近似误差的方法框架，用于估算部分观测气溶胶注入特征中的不确定性问题。通过利用能源超算地球系统模型（E3SM）的特定模拟，建立了一个全面的数据生成、处理、降维、算子学习和贝叶斯反演的框架，提升了全球平流层建模的能力和对气溶胶源估计的不确定性评估。

本文研究了机器学习中的不确定性问题，包括回归分析中的模型系数和特征值预测的不确定度。提出了解决模型复杂度和非线性问题的方法，并强调了对机器学习模型和预测进行不确定性评估和风险评估的重要性。还介绍了使用非参数技术解决不确定性问题的方法和最新的超级计算机设备。

该研究提出了一种基于双重乐观学习的算法来解决在线任务调度中的不确定性问题。该算法通过利用乐观估计奖励与成本比例和隐式学习任务到达分布，在不同不确定性环境下实现了有效的调度，并取得了比其他方法更好的累积奖励与成本比。