基于物理引导深度学习的高级洪水预测：融合UNet、FNO与SAR/光学影像

洛斯阿拉莫斯国家实验室开源的36M参数UNet架构偏微分方程求解器v2版本，用于科学计算中的PDE代理建模。

提出 TM4FF 物理约束算子学习框架，融合 Transformer 注意力机制与 Mamba 状态空间模型，实现流场高精度预测与去噪。

通过N=128分辨率数值模拟，研究随机激励二维不可压缩Navier-Stokes方程在快速平流极限下稳态分布向大尺度集中的现象。

提出 VIOT 神经算子，用于不可压缩流体密度传输的 amortized 生成，通过前馈推理直接预测无散度速度场并生成完整传输轨迹，将传统流体传输优化从小时级缩短至单次推理。

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。