下一代储备池计算的不确定性量化及其在记忆驱动动力系统中的应用

研究几何条件化神经代理模型中不确定性量化方法的表现，对比封闭形式与采样方法在跨几何形状、流场预测和工程量上的有效性。

提出三重可扩展的等变高斯过程方法，在编码对称性的同时保持概率预测与不确定性量化能力，适用于大规模科学计算问题。

提出PosteriorBench基准，针对科学逆问题中生成式求解器的后验分布匹配能力进行评估，弥补了点估计指标的不足。

提出将人工代表树与Mondrian保角预测系统结合，实现单棵决策树同时提供连续预测、预测区间和概率分布输出的可解释ML方法。

提出NeSTR方法，通过学习白噪声测试空间有限维子空间上的S变换来重建高斯SPDE的随机解。