本研究解决了物理感知神经网络（PINNs）在工程湍流优化中面临的数据需求高和计算准确性低的问题。提出了一种新的框架PT-PINNs，通过软约束方法和基于流量守恒的预训练方法，提高了湍流问题的求解能力。实验表明，PT-PINNs的预测结果与实验数据和传统CFD结果高度一致，同时在计算效率上显著优于传统CFD方法。

本文提出了一种神经代理模型，用于高效建模核聚变能量生产中的等离子体湍流，计算速度比传统数值方法快两个数量级，为商业核聚变的可行性提供了基础。

该研究解决了从低分辨率的大涡模拟（LES）数据重建高保真直接数值模拟（DNS）数据的挑战，因LES无法充分捕捉湍流传输的全尺度。本文提出了一种新颖的流动重建方法，通过测试阶段利用LES数据，并运用一种基于退化的修正方法，结合物理知识来建模流动动力学，从而有效地重建不同分辨率下的高分辨率DNS数据，并保持流动传输的物理属性。

本研究解决了湍流通道流动长时间预测中现有模型表现不佳的问题，提出了一种改进的隐式因子化变换器模型（IFactFormer-m），采用并行因子化注意机制。研究发现，IFactFormer-m在短期预测中显著降低了预测误差，并在长期预测中提供了稳定准确的流动特性和统计特性，且比传统的大涡模拟方法更为高效。

本研究针对湍流模拟中传统方法无法有效重现复杂湍流结构的难题，提出了一种新颖的流入湍流生成器CoNFiLD-inlet。通过结合扩散模型与条件神经场，研究表明该方法在广泛的雷诺数范围内都能有效生成真实的随机湍流流入，具有高保真性和良好的可扩展性，展现了在湍流合成中的高效性和多功能性。

本文探讨了加权傅里叶突发积累（FBA）方法在波瓦特域的扩展，提出了两种新算法，显著提高了在大气湍流条件下处理模糊图像的能力，实验结果表明能够有效重建清晰图像。

本文提出了一种新方法，通过先分割再恢复，处理湍流环境中的动态场景视频。利用均值光流和无监督运动分割，分离动态与静态组件，经过补偿和增强，显著提高视频清晰度并减少几何失真。相关代码和数据已公开。

本研究提出了一种新颖的采样方法，旨在解决传统CFD求解器在湍流模拟中的高计算成本和准确性问题，验证了基于RANS-PINN框架的有效性。

本研究解决神经算子在湍流流动的替代建模中存在的谱限制问题，提出将神经算子与扩散模型结合的方法，以提高湍流结构的分辨率。研究表明，该方法显著改善了预测的能量谱与真实分布的对齐度，开启了生成模型与神经算子结合的新范式，且具有在其他科学应用中的潜力。

BLASTNet 2.0是一个包含744个全域样本的2.2TB数据集，用于解决三维高保真可压湍流流动模拟数据稀缺的问题。通过基准测试评估了49种不同的深度学习方法在三维超分辨率方面的性能，对科学成像、模拟、湍流模型和计算机视觉应用有所改进。数据已公开可下载。

提出了一种新型混合框架，基于物理学信息生成和深度学习预测模型，能够产生与基础降级趋势一致的合成TTF轨迹，提高了剩余寿命预测的准确性。

本研究提出了一种新的框架，结合几何修复和增强模块，使用金字塔结构的可变形三维卷积去除随机扰动和几何畸变，通过三维Swin Transformers的多尺度架构重构出清晰锐利的图像，具有优越性能，适用于大气湍流效应。

该研究提出了一个新的弱监督框架，使用自注意力模块生成领域不可知的表示，预测湍流图像中的几何失真并提高画廊匹配准确度。该方法无需生成无湍流的图像或真实配对的图像，只需少量注释样本，提高了数据集的实用性和迅速性。

利用湍流图像增强技术改善在大气湍流环境下热适应和基于深度学习的目标检测模型的准确性和鲁棒性，研究表明，通过在模型训练中使用湍流特定的增强方法，可以显著提高检测湍流图像的准确性和鲁棒性。

通过 Koopman-Based 机器学习结构和线性循环自编码网络（LRAN），我们研究了 Rayleigh-Bénard 对流系统中湍流对流流体流动的简化动力学模型以及其应用于模型预测与控制技术。

本文提出了一种解决盲视频时间一致性问题的方法，通过在Deep Video Prior（DVP）视频上训练卷积神经网络实现时间一致性，并采用迭代加权训练策略解决多模态不一致性问题。实验证明该方法在盲视频时间一致性方面优于现有技术水平。

提出了一种基于隐式神经表示的无监督大气和水湍流抑制方法（NeRT），通过利用隐式神经表示和物理正确的倾斜 - 模糊湍流模型，仅仅依靠数十个扭曲输入图像就能重建出干净、无扭曲的图像，并且在大气和水湍流数据集的各种定性和定量评估中表现优于现有技术，同时展示了 NeRT 消除现实环境中的非受控湍流的能力，并将 NeRT 融入连续捕获的视频序列中实现了 48 倍的加速。

我们提出了一种通过一个新的基准测试 Turbluence，系统评估针对代码生成的指导性大型语言模型（LLMs）的正确性和鲁棒性的方法。我们的发现表明，Turbulence 能够揭示 LLMs 的推理能力中的差距，这超出了仅仅强调 LLMs 有时会产生错误代码的范畴。