FAST-ML：热带气旋强度预报的混合物理-机器学习框架

研究物理信息神经网络训练中的梯度冲突与多任务优化问题，针对刚性和高频偏微分方程提升收敛稳定性。

针对非线性分析中的无穷方程与p-Laplace方程，利用PINN和DeepONet求解二维、三维问题及大p值场景。

提出概率物理信息神经网络框架，结合WaveNet和ParamNet实现从稀疏光谱数据中恢复原子核Woods-Saxon势参数的正反问题求解。

研究评估物理信息神经网络在大气热力温度预测任务中的能力，利用气压坐标热力学平流源方程作为物理约束，解决稀疏热力观测条件下的短时预报问题。

提出基于算子图的图超网络方法，将PDE的场、导数、项和残差显式建模为节点，实现跨相关偏微分方程的可摊销神经求解器元训练。