待验证50% 置信解决方案精确时间
混合方法成为主流趋势：使用神经网络加速关键子模块如湍流模型，同时保留传统框架保证物理一致性和收敛性
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/11
首次发现
有效期至：2026/12/10
来源
涉及实体
相关事实
待验证卷积神经网络的核心创新在于权重共享与局部连接机制，通过滑动卷积核共享同一组参数降低模型参数量70% 相似待验证过参数化的神经网络优化容易收敛到好的解的现象可用Neural Tangent Kernel理论解释69% 相似待验证基于神经网络的替代模型和物理信息神经网络（PINN）的发展使得实时或近实时的流体模拟成为可能68% 相似待验证Neural ODE由陈天琦等人在2018年NeurIPS最佳论文中提出，核心思想是将残差网络的离散层视为连续动力系统的欧拉离散化68% 相似待验证现有实验追踪工具核心模型大多是面向运行（run-centric）的，而 UnFlow 尝试转向面向血缘（lineage-centric）的模型67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/905357API
curl https://kongchang.com/api/v1/knowledge/claims/905357MCP
get_claim(id=905357)