U‑Cast
U‑Cast：以標準 U‑Net 實現高效前緣機率式天氣預測模型
AI 氣象預報已趕上傳統物理集合，但多數模型需專屬架構與龐大算力。U‑Cast 以標準 U‑Net 為骨幹，先用 MAE 預訓練再以 CRPS 微調，搭配 Monte Carlo Dropout 產生機率預測。結果顯示在 1.5° 解析度下，其技能與 GenCast、IFS ENS 相當，且訓練與推論成本均降低逾十倍，為前緣氣象模型開放門檻提供新方向。
U‑Cast
AI 氣象預報已趕上傳統物理集合，但多數模型需專屬架構與龐大算力。U‑Cast 以標準 U‑Net 為骨幹，先用 MAE 預訓練再以 CRPS 微調，搭配 Monte Carlo Dropout 產生機率預測。結果顯示在 1.5° 解析度下，其技能與 GenCast、IFS ENS 相當，且訓練與推論成本均降低逾十倍，為前緣氣象模型開放門檻提供新方向。
條件流匹配生成模型
計算流體力學模擬成本高，研究提出 FluidFlow 生成模型以條件流匹配取代傳統擴散，直接在結構化與非結構化網格上學習。模型結合 U‑Net 與 DiT，於氣動外形與全機三維測試中取得低誤差與佳泛化，顯示其在工程應用的可行性。