待验证50% 置信事实精确时间

APTNN将张量神经网络（TNN）的典范多项式（CP）分解结构引入解的近似表示，方程残差在该表示下仍保持CP分解形式。

1

来源数

50%

置信度

长期有效

时效性

2026/11/6

首次发现

来源

AP Tensor Neural Networks Solve 3D High-Field Kinetic Equations

涉及实体

APTNNconcept 张量神经网络concept CP分解concept

相关事实

待验证只有当转移核P具有可解析描述的特征函数展开或已知的谱分解时，泊松方程才存在闭式解64% 相似待验证增强后的AP损失仍可按维度分别求值，未破坏CP分解带来的效率优势。63% 相似待验证DCKV目前仍处于研究阶段，其编解码过程本身需要额外计算，且熵编码的自回归特性可能引入解码延迟。63% 相似待验证由于残差保持CP分解形式，高维损失积分可拆解为一维积分的组合来计算，计算与存储开销从随维度指数增长降为多项式增长。62% 相似待验证APTNN在损失函数中额外加入一阶矩方程，以约束极限通量闭合，从而压低高场区的近似误差。62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1141638

API

curl https://kongchang.com/api/v1/knowledge/claims/1141638

MCP

get_claim(id=1141638)