本研究提出了一种新型随机插值生成模型，旨在降低湍流模拟的计算成本，同时满足物理约束，提高预测的准确性和稳定性，展示了在加速湍流模拟中的应用潜力。

本文提出了一种基于图的深度学习模型，利用类Transformer结构进行流体力学预测，显著提高了数据压缩效率和分析精度。该研究在高维科学数据处理中的应用，尤其在气候模型和湍流模拟中表现优异，推动了机器学习在流动物理中的应用。

本文介绍了一种基于端到端学习的光流估计方法，提升了计算速度和精度。研究了多种深度学习模型在湍流模拟中的应用，展示了它们在图像恢复和湍流抑制方面的优势。此外，BLASTNet 2.0数据集为三维超分辨率模型提供了支持，促进了流动物理应用中的机器学习方法发展。

本文研究了非侵入式科学机器学习（SciML）约简模型（ROMs）在非线性、混沌等离子体湍流模拟中的应用。通过算子推断（OpInf）构建基于物理学的低成本ROMs，捕捉湍流动力学的重要特征并缩短计算时间，对聚变设备设计和实时控制具有潜力。

本文研究了非侵入式科学机器学习（SciML）约简模型（ROMs）在非线性、混沌等离子体湍流模拟中的应用。通过使用算子推断（OpInf）构建基于物理学的低成本ROMs，成功捕捉了湍流动力学的重要特征，并将计算时间缩短了五个数量级。这表明非侵入式的SciML ROMs有潜力加速数值研究，最终可用于优化聚变设备的设计和实时控制等任务。