SPUS PDE-UNet-36M-v2 (FNS-KF) 偏微分方程求解模型

基于流形函数编码器的 PDE 神经算子求解器，内存占用与数据分辨率解耦，支持任意形式PDE输入，适合大规模物理仿真。

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。

提出分数阶傅里叶神经算子（FrFNO），通过嵌入解析Mittag-Leffler传播子解决分数阶PDE的内存依赖与非线性耦合难题，实现高效代理建模。

基于U-Net架构的36M参数偏微分方程（PDE）神经网络求解器模型，支持PDE系统的数据驱动求解与预测

PDE 代理模型任务的基准数据集，属于 ai4sci-tasks 评测体系，包含训练轨迹与评估分割，用于验证神经算子与代理模型方法的性能。