二维随机激励Navier-Stokes方程快速平流极限下稳态测度的尺度集中新

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。

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。

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。

对比自编码器与基于经典数值分析的简洁扩散映射（PDM）方法在Navier-Stokes湍流降阶建模中的性能，为数据驱动流场重建提供方法论参考。

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。