APTNN
一种用于求解高维动理学方程的神经网络方法，将张量神经网络的CP分解结构与渐近保持格式的物理约束相结合，使高维损失积分可分解为一维积分计算，从而将计算复杂度从指数级降为多项式级。
时间轴 (近 90 天)
APTNN（渐近保持张量神经网络）通过张量分解与物理约束损失结合，将3D3V Vlasov–Poisson–Fokker–Planck问题的训练时间压缩到单GPU半小时以内。
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。
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。
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。
数值结果表明，APTNN在高场区的预测精度有明显提升，同时计算成本和内存占用大幅下降。
论文给出的具体算例是一个带多个随机输入的3D3V VPFP问题，在单块GPU上训练耗时不到30分钟。
论文目前尚未给出与代表性传统求解器在同等精度下的系统性效率对比，完整基准测试有待后续工作补充。
APTNN不依赖采样技巧近似高维积分，而是通过张量分解使积分本身可精确分解计算，与PINN的统计近似有结构性区别。
不确定性量化（UQ）的传统方法需要对每个样本重新运行离散求解器，计算成本与样本数成正比；APTNN的CP分解结构使网络可接受随机输入作为额外维度，训练一次即可获得参数化解映射。
CP分解的秩选择、增强损失项在不同参数区域下的权重平衡、以及向更复杂几何与边界条件的推广，是尚未充分展开的问题。
全部知识事实 (10)
APTNN（渐近保持张量神经网络）通过张量分解与物理约束损失结合，将3D3V Vlasov–Poisson–Fokker–Planck问题的训练时间压缩到单GPU半小时以内。
50%待验证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。
50%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。
50%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。
50%待验证数值结果表明，APTNN在高场区的预测精度有明显提升，同时计算成本和内存占用大幅下降。
50%待验证论文给出的具体算例是一个带多个随机输入的3D3V VPFP问题，在单块GPU上训练耗时不到30分钟。
50%待验证论文目前尚未给出与代表性传统求解器在同等精度下的系统性效率对比，完整基准测试有待后续工作补充。
50%待验证APTNN不依赖采样技巧近似高维积分，而是通过张量分解使积分本身可精确分解计算，与PINN的统计近似有结构性区别。
50%待验证不确定性量化（UQ）的传统方法需要对每个样本重新运行离散求解器，计算成本与样本数成正比；APTNN的CP分解结构使网络可接受随机输入作为额外维度，训练一次即可获得参数化解映射。
50%待验证CP分解的秩选择、增强损失项在不同参数区域下的权重平衡、以及向更复杂几何与边界条件的推广，是尚未充分展开的问题。
50%