本周阅读了 Ho 等人提出的 DDPM论文。该方法基于扩散概率模型，通过固定的前向扩散过程逐步向图像加入高斯噪声，再训练 U-Net 学习反向去噪过程，从随机噪声中逐步恢复图像。论文将图像生成任务转化为噪声预测问题，并通过简化训练目标提升模型训练的可操作性与生成过程的稳定性。本文展示了扩散概率模型在高质量图像合成方面的潜力，并提出了一种新的训练目标和采样方法，显著提高了样本质量。扩散模型在无损压缩

本周主要学习了 ResNet 残差网络的基本思想与结构。通过对比普通网络和残差网络，理解了残差映射相比直接拟合理想映射更易优化的原因，并掌握了残差块中恒等映射、跨层连接和 1×1 卷积的作用。同时学习了 ResNet 的整体架构，包括不同 stage 的组成方式，以及 ResNet-18、ResNet-152 等不同深度模型的构建思路。本周继续深入学习ResNet残差网络。

本周学习了论文Deep Residual Learning for Image Recognition，本文围绕深度残差网络（ResNet）展开，分析了深层神经网络中存在的退化问题，并介绍了其核心思想——残差学习。通过将原始映射转化为残差函数学习，并引入 shortcut connection，模型显著降低了优化难度。论文进一步设计了多种深层网络结构，并在 ImageNet 和 CIFAR-10

本文围绕降水临近预报问题，从时间序列预测角度系统综述了深度学习方法的发展现状。通过构建递归策略与多步预测策略的统一框架，对不同模型进行分类与对比分析，并结合实验数据总结其性能特点。结果表明，现有方法在整体预测精度上已显著提升，但在强降水和长时预测方面仍存在不足。最后，论文指出未来需重点提升极端降水建模能力与多源数据融合水平。本文从时间序列预测角度，对基于深度学习的降水临近预报方法进行了系统综述，构

本文针对LSTM模型在洪水预测中缺乏可解释性的问题，提出了一种引入门控模块的改进方法。通过对输入变量及其时间步进行加权，模型能够识别关键影响因素及其作用时间范围，并结合自注意力机制增强变量间关系建模。在531个流域上的实验结果表明，该方法在保持较高预测精度的同时，实现了对时间尺度和变量重要性的有效解释。

本周阅读了一篇文献，该文基于长时间尺度气候数据，结合统计分析与机器学习方法，对全球变暖及其影响因素进行了系统研究。通过构建线性回归、Lasso、支持向量回归及随机森林模型，对温度变化进行预测，并比较不同模型性能。结果表明，随机森林模型具有最优预测效果，同时特征重要性分析显示CO₂是影响温度变化的主要因素，CH₄和N₂O亦具有一定作用。研究从数据驱动角度验证了温室气体对全球变暖的显著影响。

本文针对长预见期下降水预报精度衰减及强降水识别能力不足的问题，提出了融合LSTM与注意力机制的多模式降水预报框架。以雅砻江流域为研究区，系统比较多种数值模式与融合方法，并将融合降水进一步用于新安江模型径流预报验证。结果表明，所提出的LSTM-A结构在1–7天预见期内表现最优，能够同时提升降水预报精度和水文应用效果。

本周主要围绕经典逻辑门与量子计算基础展开学习。在经典计算部分，理解了与、或、非等基本逻辑门的运算规则及其组合方式；在量子计算方面，重点掌握了可逆计算与逆运算的概念，认识到量子门必须是可逆的这一核心特性。同时，通过Bloch球模型直观理解单量子比特的状态表示及其在量子演化中的变化过程，并学习了常见的单量子比特门及其作用机理。总体来看，本周的学习加深了对从经典计算到量子计算范式转变的理解，尤其是可逆性

本文系统综述了深度学习在空气污染预测中的研究进展，重点分析其在短期预测中的优势及在极端事件、泛化能力、可解释性和不确定性刻画方面的不足。论文总结了多源数据融合、物理约束建模和生成式方法等研究方向，并提出将深度学习与地球系统模型相结合，作为提升空气污染预测可靠性和决策价值的未来发展路径。文献阅读：《Deep learning for air pollutant forecasting: opport