本研究提出了PhyDL-NWP框架，结合物理方程与数据驱动模型，解决传统数值天气预报的计算密集和物理不完整问题。实验结果表明，该方法推理速度提升170倍，参数量仅为55K，显著提高了预报性能和物理一致性。

本文探讨了流体力学中数据驱动模型的可解释性，提出了一种加性特征归因方法，通过线性模型将输入特征与预测结果连接，从而为深度学习模型提供重要的可解释性，促进符合物理规律的模型应用。

本文探讨了基于图神经网络和机器学习的天气预报方法，强调其在准确性和计算效率上的优势。研究表明，数据驱动模型如FourCastNet和WeatherGNN在气象变量预测中优于传统物理模型，尤其在局部区域应用中效果显著，为气候建模提供了新可能性。

本文探讨了将物理先验知识融入数据驱动模型的方法，以提高模型的质量和稳定性。研究表明，保持Lyapunov稳定性的模型能够增强泛化性能并减少预测不确定性。机器学习在计算流体力学中的应用能够加速数值模拟和优化模型，提升模拟精度和效率。

本研究开发了一种基于机器学习的海洋波浪预测框架，结合物理模型和监督学习，提高了波浪条件的预测准确性。通过分析虎鲸的声音记录，成功预测了海豚的行为，展示了语音交流的潜力。此外，提出了新的海浪监测系统和内部孤立波定位方法，强调了数据驱动模型在海洋动力学和气候预测中的重要性。

本文探讨了随机深度Koopman框架在多级制造系统中的应用，旨在提高数据驱动模型的可解释性和产品质量预测能力。研究提出了结合延迟坐标编码和状态解码的模型结构，并应用于实时监测和质量评估，展示了在增材制造中的有效性。此外，介绍了基于Deep Kernel Learning的控制合成方法，证明了其在复杂系统中的优势。

科学家们提出了一种基于神经网络的压缩方法，能够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。该方法在气候数据和天气预测中优于传统算法，展示了数据驱动模型在科学研究中的潜力。

本文介绍了神经算子在求解偏微分方程中的应用，强调其高准确性和速度优势。研究提出了基于小波和傅里叶空间的多种新方法，展示了在交通流和磁流体力学等领域的有效性，推动了数据驱动模型的发展。

本文介绍了一种新型混合文本显著性模型（TSM），将阅读的认知模型和人类注视监督相结合，实现了人类注视引导的神经注意力与NLP任务的结合。该模型在QUora问题对语料库的释义生成任务中优于当前技术水平的PERFOMANCE BY MORE THAN 10% BLEU-4，并在Google句子压缩语料库中实现了最先进的性能。这种方法桥接了数据驱动模型和认知模型，并展示了将人眼引导的神经关注集成到NLP任务中的新方法。

本文介绍了一种新型混合文本显著性模型(TSM)，将阅读的认知模型和人类注视监督相结合，实现了人类注视引导的神经注意力与NLP任务的结合。该模型在QUora问题对语料库的释义生成任务中优于当前技术水平的PERFOMANCE BY MORE THAN 10% BLEU-4，并在Google句子压缩语料库中实现了最先进的性能。这种方法桥接了数据驱动模型和认知模型之间的差距，并展示了将人眼引导的神经关注集成到NLP任务中的新方法。

本文研究了可微空间路径规划问题，证明了使用规划变形器的方法优于数据驱动模型，并在复杂地图上验证了该方法的准确性和稳定性。

本文介绍了使用GANO的数据驱动模型，能够根据震级、破裂距离、顶部30米时间平均剪切波速度和构造环境或断层风格条件生成振动加速度时间历程。经验证和评估，结果显示该模型能够恢复震级、距离和VS30尺度，并生成一致的中位数尺度。该模型应用于风险定位地面运动的特定场地工程应用。

本文使用机器学习建立了一个数据驱动模型，预测巴西东南海岸海湾地区的洋流速度和海面高度等环境变量。该模型具有更好的预测效果。

该论文提出了一种新颖的数据驱动模型，能够准确预测任意布局、偏航角配置和风况下所有风电场的发电量。该模型通过将风电场编码成全连接图，并通过图变换器处理图表示来实现。结果表明，该图变换器代理模型具有良好的泛化能力，并能发现风电场图表示中的潜在结构模式。演示了如何使用所得的代理模型通过遗传算法优化偏航角配置，实现与工业标准风电场模拟工具类似的准确性，但计算成本仅为一小部分。

本研究使用科学机器学习方法学习动力系统，结合了数据驱动模型、基于物理模型的建模和经验知识。研究关注运算推断方法，构建动力学模型并通过优化问题学习模型算子。数值示例展示了该方法在保持稳定性和发现控制方程和保存能量模型方面的应用。

该研究使用简单分类标签的数据驱动模型预测电力系统中电压失控事件的有效性，并在真实的意大利150千伏输电网络部分进行了实证案例研究。该方法具有广泛适用性，并提供了几种广泛使用的预测模型在该应用中的优点和缺点的见解。

本文提出了一种使用生成对抗神经运算器（GANO）的数据驱动模型，能够根据震级、破裂距离、顶部 30 米时间平均剪切波速度（VS30）以及构造环境或断层风格条件下生成三分量振动加速度时间历程的算法。通过与经验数据集的残差分析以及与传统地面运动模型（GMMs）进行比较，评估了该模型的性能。结果显示该模型能够产生一致的中位数尺度，并能够捕捉到响应谱序列的混合变异性。该模型的应用包括生成面向特定场地工程应用的风险定位地面运动。

本文介绍了一种名为DR-Net的新型深度网络架构，用于图像去雾。该网络由三个子网络组成，分别是传输预测网络、去雾网络和优化网络。DR-Net在数据驱动模型、端到端系统和鲁棒性方面表现出色。实验证明，DR-Net在定量和定性指标上都优于最新方法。此外，DR-Net在计算机视觉任务中也具有潜在用途。