本研究提出了一种新型墙压力谱经验模型，解决了气动翼型后缘噪声预测的鲁棒性问题。该模型基于人工智能符号回归方法，适用于不同翼型和流动条件，验证结果显示其准确性优于传统模型，并与Amiet理论结合用于风力发电机噪声预测。

该文综述量子架构搜索（QAS）研究进展，涵盖QuantumNAS等框架，联合搜索变分电路与量子比特映射，通过SuperCircuit训练、演化搜索及门修剪提升性能；并讨论梯度QAS用于深度强化学习、提升VQA鲁棒性与可训练性、硬件感知电路学习与qBAS指标、TorchQuantum噪声预测、QArchSearch大规模并行搜索、多目标遗传算法生成量子启发分类器，以及机器学习降噪框架与强化学习自动设计变分模型。