本文介绍了一种基于概率扩散框架的生成性深度学习模型，能够将低保真度模拟信息映射到高保真度结果，显著降低计算成本。该模型通过集成神经网络与物理规律，预测金属增材制造中的熔池动力学，优化熔池几何和缺陷识别，从而提升产品开发效率。

通过概率扩散框架的生成性深度学习模型，实现了低保真度模拟信息向高保真度对应物的映射，无需多次高保真度模拟分析。通过二维扩散模型，展示了熔化过程的关键度量在真实模拟数据和扩散模型输出之间的保持，并在低保真度输入数据的基础上预测了熔池深度，分析时间降低了两个数量级。