深度代理模型利用深度学习技术提升CFD计算效率，解决复杂流动问题。百度飞桨推出的PaddleCFD工具支持多种流体计算模型，优化风阻预测，显著缩短仿真时间，推动工业应用。

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。

本文介绍了一种结合机器学习与计算流体动力学（CFD）的元学习方法，旨在提高少量数据下的模型表现。研究探讨了大型语言模型（LLMs）在能源领域的应用，开发了多代理工具调用过程，整合专家知识与LLM推理。通过与有限元模块结合，展示了LLMs在设计优化中的潜力，成功率高达90%。此外，提出了自组织多代理框架，提升了大规模代码生成的效率和准确性。

该研究提出了一种利用深度学习模型减小粗网格计算流体力学问题空间离散化误差的方法。通过替换对流项的差分方案，将速度插值到面值，以近似细网格数据的速度。该模型应用于方形柱问题的流动中，将误差减小到传统求解器的约50%。

本研究提出了一种基于偏微分方程的超分辨率方法，通过粗网格模拟数据预测细网格结果。利用UNet进行升采样，验证了该方法在计算流体动力学（CFD）领域的有效性，显著提高了计算效率和结果的忠实度。该方法在多种流场重建中表现出色，具备良好的鲁棒性，适用于工程和科学CFD求解器。

该研究介绍了一种新方法，利用深度学习模型从颈动脉进行非侵入性计算，并应用 PV 校正，以消除对侵入性动脉采样的需求。该方法成功定位癫痫起始区，为临床疗效的取得做出了贡献，患者在治疗后达到了无癫痫发作的状态。

循环流程图是用于显示经济体中资金、商品和服务流动的图形表示形式，广泛应用于业务分析和系统分析。它可以帮助识别经济关系、预测趋势和进行市场分析，同时也可以定义系统边界、识别组件和交互，并进行输入-输出分析。循环流程图是业务和系统分析师的强大工具，可以提供整体视图，帮助决策、优化流程和有效沟通。

本研究拟定了两种新的几何表示方法：最短向量（SV）和方向综合距离（DID），并提出了有限体积特征（FVF）和剩余训练的使用，可以有效地降低当前基于图神经网络的方法的预测误差高达 41％。

本文提出了条件前门调整（CFD）的概念，并通过可识别的变分自动编码器学习了 CFD 调整变量的表示，实验证明了 CFDiVAE 的有效性及其在处理未观察到的混淆变量时的优越性。