本研究提出KIPPO方法，利用库普曼近似辅助网络提升复杂非线性动态环境中的控制策略学习效果。实验结果表明，KIPPO在连续控制任务中性能提升6-60%，方差减少91%。

本研究提出了一种高效的稀疏识别非线性动态的浅层递归解码网络(SINDy-SHRED)方法，旨在解决高维、噪声和数据收集成本高的问题，表现优于现有技术。

本研究提出了PINN4PF，一种深度学习架构，旨在捕捉大型电力系统的非线性动态。通过创新的神经网络架构和自适应激活函数，显著提升了潮流分析能力，优于传统模型。

本研究提出了一种LC-SVD-DLinear方法，旨在解决高分辨率流体力学数据预测中的稀疏测量问题。该方法结合了奇异值分解与DLinear架构，能够有效捕捉非线性动态，降低计算成本，并展现出良好的预测与重建能力。

本研究提出了一种新型几何网络架构，基于黎曼视角解决高维系统中传统非线性动态模型的数据和计算难题，从而提高数据效率，准确预测刚性与变形系统的动态行为。