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。支持 mesh-invariant 推理，可在训练分辨率之外直接查询，适配工业级多保真度应用。

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。

流体/CFD

提出PITT方法结合符号方程tokenization与Fourier神经算子，用于求解相对论Schwarzschild-Burgers流体方程的非线性双曲守恒律冲击波问题。

通用科学ML

提出图小波压缩感知（GWCS）框架，通过稀疏可解释的小波域表示实现图信号离线压缩，降低科学机器学习训练的数据准备成本。

通用科学ML

提出基于引用影响力经济机制的AI虚拟实验室群体协同框架，自动化执行神经算子架构搜索与训练评估。

流体/CFD

提出改进FNO通过时间增量预测建模二维Rayleigh-Bénard对流，实现314k参数、7ms推理的高效模型，揭示训练数据分辨率对泛化精度的限制。

通用科学ML

提出PRONE方法，通过Petrov-Galerkin回归框架Ψ(X)K≈Φ(Y)统一DMD、SINDy、Koopman等数据驱动动力学方法，为动态系统算子学习提供统一视角。

ScientificML

提出自适应记忆门控机制，让神经算子根据观测条件动态调整内存权重，提升时间依赖PDE求解的适应性。

电磁学

提出基于 KAN 的单参数代理模型，加速托卡马克中漂移动力学方程求解，用于快速计算新古典环形粘度扭矩，提升聚变等离子体建模效率。

流体/CFD

提出几何感知各向异性边界修正方法，利用神经算子替代传统CFD求解器处理空气动力学问题，改善边界区域物理行为建模。

通用科学ML

提出在半导体制造生成式AI中通过构造方式强制执行硬物理约束的方法，确保生成的掩模、布局和工艺配方严格遵循光刻、输运、反应及器件物理限制。

ScientificML

提出GENERIC-FNO，将非平衡热力学的度量结构嵌入傅里叶神经算子，通过简并条件耦合可逆能量守恒与不可逆熵产生过程，拓展了结构保持神经算子的能力边界。

流体/CFD

提出融合UNet与FNO的物理引导混合架构，结合Sentinel-1/2多模态遥感与浅水方程约束，实现端到端洪水预测。

热管理

提出验证门控多智能体治理框架，使热工水力学代理模型能够在运行状态切换下持续在线自适应，避免离线预训练模型的_condition-locked_问题。

流体/CFD

提出基于神经算子的CFD代理模型，用于小型模块化反应堆螺旋盘管蒸汽发生器的热工水力瞬态仿真，助力数字孪生实时分析。

流体/CFD

针对复杂山地地形的三维风场预测难题，提出基于Transformer的神经算子方法，突破传统CFD依赖专家密集网格生成和高成本迭代求解的瓶颈。

热传导/热管理

Therm-FM提出将预训练PDE基础模型适配到3D-IC稳态与瞬态热传导仿真，降低逐设计从头训练的数据生成成本。

ScientificML

提出自适应算子变换（AOT）方法解决多PDE预训练中解算子结构多样性问题，通过对目标解算子而非模型容量进行适配，提升神经算子在跨方程任务中的泛化能力。

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。CGNS 兼容 HF+Zarr 分发，专为工业异构网格场景设计，可与主流 CFD 求解器互操作。

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。支持 mesh-invariant 推理，可在训练分辨率之外直接查询，适配工业级多保真度应用。