基于Transformer神经算子的复杂山地3D风场预测

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。

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。

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。

提出周期傅里叶神经映射(p-FNM)框架，通过神经算子对涡轮转子叶片非定常压力分布进行快速预测，适用于叶轮机械气动弹性分析。

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。