论文 / 综述

框架论文 / 神经算子

NVIDIA 发布的物理信息神经网络框架，基于神经算子（FNO/DeepONet/AFNO）提供端到端可微分物理仿真流水线，支持多 GPU 训练与部署。

年度综述 / 物理信息学习

系统性梳理 2025–2026 年物理信息机器学习（Physics-Informed Learning）领域的主要进展，重点覆盖神经算子、扩散模型在 PDE 求解中的应用、大规模基准测试与工业落地案例。

前沿论文

提出物理注意力机制，把离散网格投影到可学习的物理状态令牌上做注意力，显著提升 PDE 求解在大规模工业几何上的效率与精度。

奠基性论文

以分支-主干（branch-trunk）结构实现算子通用逼近定理的深度学习版本，是最早系统提出「学习非线性算子」的架构，至今仍是主流基线。

奠基性论文

提出在傅里叶空间参数化积分核的神经算子，实现分辨率无关的 PDE 求解，是算子学习与物理 AI 方向引用量最高的奠基工作之一。

必读基准论文

提出覆盖 16 个物理领域的统一基准，论证「跨领域预训练」对物理 ML 的增益，是物理基础模型方向必读论文。