本研究提出了一种新颖的超参数优化方法，通过引入训练层数作为保真度来源，显著节约了计算和内存资源，推动了多保真度超参数优化算法的发展。

本研究提出了一种多保真度强化学习框架，旨在解决复杂动态系统控制的不稳定性问题。通过结合差分混合模型与有限的高保真数据，显著提高了学习效率，并表现出优于其他方法的性能。

我们展示了一种多保真度（MF）机器学习集成框架，用于逆向设计光子表面。该框架基于高通量飞秒激光加工制备的11,759个样本的数据集进行训练。实验证明该方法在能量收集应用中的光子表面逆向设计中具有强大的工具。

该研究提出了一种多保真度的设计探索策略，通过Hyperband方法改善协同设计中控制器学习的样本效率，并将学习到的控制器与设计空间相结合，以warm-start新的控制器学习问题。实验结果表明，该方法在广泛的代理设计问题上比基准方法更为优越，同时还呈现出设计简化和非直观设计改变等有趣的设计变化。