縮約秩序モデル（ROM）は複雑で多スケール系の効率的な代替モデルとして機能しますが、その予測精度は切り詰め誤差と解かれたスケールと未解決スケール間の相互作用の不十分な表現によってしばしば損なわれます。ROMモデルから除去された未解決スケールの欠落効果、いわゆるクロージャ問題に対処するため、本研究では条件付き正規化フローに基づく不確実性を考慮したマルチフィデリティ学習フレームワークを提案しています。 このアプローチは低忠実度（LF）ROMの係数から高忠実度（HF）係数への確率的写像を学習し、習得されたクロージャに関連する不確実性を定量化しながら予測忠実度を向上させます。直接学習とリジデュアル学習の2つの補正戦略を検討しており、前者はLF入力から直接HFコ係数を予測し、後者はLFとHF係数間の不一致を学習してそれを使用して修正されたHF解を回復します。 提案フレームワークは2次元ナビエストークス方程式に支配される渦合体問題で実証されました。結果として、両補正戦略とも未補正ROMに対してROM精度を向上させ、リジデュアル学習は直接学習よりも一貫して優れたパフォーマンスを達成しています。さらに、提案された深層生成モデルベースの戦略は、補正されたROM係数の不確実性定量化を提供し、これは予測信頼度の評価と実務的応用におけるROMの信頼できる利用を支援する上で極めて重要です。