TokaGLINT：面向全3D托卡马克电磁模拟的可扩展GPU定制隐式求解器

提出各向异性麦克斯韦神经算子（AMNO），学习EAST托卡马克一参量介电场族响应，实现离子回旋共振加热全波响应的快速参数化建模。

针对介质阻挡放电中相同位置连续放电的重新点燃动力学，构建物理降阶模型，无需机器学习即可实现时间预测。

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。

基于物理信息神经算子学习磁流体动力学函数空间映射，实现任意参数和时间下磁重联状态的高效推断，降低大 Lundquist 数下的计算成本。

面向致密双星并合的引力波波形代理模型，结合JIT编译、向量化与GPU加速提升计算效率。