本研究提出了一种图变换器框架，旨在解决稀疏表面重建空气动力学流场的问题。该框架结合了消息传递神经网络和变换器的优点，展现出卓越的重建精度和推理速度，并对传感器覆盖率降低具有良好的鲁棒性。

本研究提出了一种新型墙压力谱经验模型，解决了气动翼型后缘噪声预测的鲁棒性问题。该模型基于人工智能符号回归方法，适用于不同翼型和流动条件，验证结果显示其准确性优于传统模型，并与Amiet理论结合用于风力发电机噪声预测。

本文介绍了一种基于概率扩散模型的新型生成框架，用于多样化生成时空湍流。该方法能够适应各种条件情景，并具有长时跨度流动序列生成能力。通过数值实验展示了该框架的多样化湍流生成能力。该方法在湍流生成领域取得了重大进展。