Краткое содержание

arXiv:2511.13675v1 Тип: новая работа Аннотация: Современные научные моделирования, наблюдения и крупномасштабные эксперименты генерируют данные в объемах, которые часто превышают пределы возможностей систем хранения, обработки и анализа. Эта проблема стимулирует разработку методов сокращения данных, которые эффективно управляют массивными наборами данных, сохраняя при этом существенные физические особенности и целевые характеристики. Во многих научных процессах также крайне важно обеспечить возможность восстановления данных из сжатых представлений — задача, известная как супер-разрешение — с гарантиями сохранения ключевых физических характеристик. Ярким примером является создание контрольных точек и перезапуск, что необходимо для длительных моделирований, чтобы восстановиться после сбоев, возобновить работу после прерываний или исследовать промежуточные результаты. В данной работе мы представляем новую структуру для сжатия научных данных и супер-разрешения, основанную на последних достижениях в обучении экспоненциальных семейств. Наш метод сохраняет и количественно оценивает неопределенность в