待验证50% 置信事实精确时间
论文《CoupledFlow: One-Step Neural Operators for Coupled Multi-Physics PDEs》提出了一个面向多物理场耦合PDE系统的神经算子学习框架，旨在用一次前向推理替代数值模拟。
1
来源数
50%
置信度
长期有效
时效性
2026/11/10
首次发现
来源
涉及实体
相关事实
待验证PD分离将推理的Prefill阶段(计算密集)和Decode阶段(内存带宽密集)部署在不同实例上以独立扩缩和优化67% 相似待验证神经算子是一类在函数空间之间建立映射的深度学习模型，目标是学习从初始条件、边界条件或参数场到PDE解的算子映射。66% 相似待验证PDHG 每次迭代只需计算约束矩阵与当前解向量的乘积以及一个简单的投影步骤，计算复杂度与问题规模呈近似线性关系66% 相似待验证PUN的贡献在于将神经算子与随机最优控制的PDE表述相结合，通过改进边界条件和摊销蒙特卡洛计算，实现了在未知几何中的快速噪声感知规划。66% 相似待验证对于PDE代理建模，微分结构先验值得被显式编码到网络输入中，而非完全依赖网络隐式学习。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1153168API
curl https://kongchang.com/api/v1/knowledge/claims/1153168MCP
get_claim(id=1153168)