该研究提出了一种可解释的机器学习框架，通过稀疏回归简化微观晶格模型，准确描述波包的非线性演化，推动光子学设计能力的发展。

本文介绍了多种基于小波变换和深度学习的模型，如MultiWave框架、WFTNet和WaveletFormerNet，旨在提升时间序列数据的预测性能。这些方法在处理复杂信号和图像恢复方面表现出色，实验结果显示其准确性和泛化能力优于传统模型。