神经CAE代理模型的不确定性量化研究

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LOInK方法，通过结构化神经代理模型学习构型空间到解耦任务/潜空间的Lipschitz可逆映射，将代价最小化解置于原点，实现逆运动学近似最优解的高效采样。

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。