現代の科学シミュレーションや観測、大規模実験は、しばしばストレージや処理、分析の限界を超えるデータを生成します。この課題に対処するために、重要な物理的特徴や関心のある量を保持しつつ、大規模データセットを効率的に管理するデータ削減手法が開発されています。また、多くの科学的ワークフローにおいて、圧縮された表現からデータを復元すること（超解像と呼ばれることが多い）は重要です。本研究では、学習した指数族に基づく新しい科学データの圧縮と超解像のフレームワークを提案します。この手法は、関心のある物理量における不確実性を保持・定量化し、圧縮率と再構成忠実度の間で柔軟なトレードオフをサポートします。特に、長時間実行されるシミュレーションのチェックポイントおよび再起動は、この手法の実用的な応用の一例です。