#PDE

这篇论文把混合专家思路搬进了 DeepONet 和 FNO，专门对付尖界面、异质系数这类难解的 PDE，误差比基线低不少，做科学计算的可以看看。

一篇解决 PDE 基础模型知识干扰和 MoE 专家冗余的论文，专家数量砍一半精度不掉，做科学计算的可以看看。

一个开源的 PDE 神经求解器 MENO，显存不随分辨率涨，还能跨几何求解，跑论文实验只需一行命令。

清华团队提出Bi-HYCO框架，解决PDE参数识别问题，在交互点耦合预测状态，实验效果优于传统PINN/XPINN方法。

物理学家和AI研究者必看！这篇论文把物理方程巧妙融入流动匹配模型，解决了PDE场生成和检测难题。

这篇论文给DGM和PINN的用户吃了定心丸：对于一类半线性PDE，梯度下降训练真的能收敛到正确解，不是只找到局部最优。

这篇论文搞了个叫NOTES的框架，用神经算子压缩设计空间，再用进化策略找最优，在纳米光子偏转器上效率超95%，比传统方法好。

这篇论文用PINN把复杂偏微分方程的解空间压缩到几个主成分，95%的信息只需头4个维度，做科学计算或模型简化的人值得一看。

GAIA 能用一个模型同时搞定正反问题，在七种几何任务上都拿了第一，尤其反问题精度提升明显，做 PDE 模拟的可以看看。

想用神经网络高效求解偏微分方程？ENS从残差输入中学迭代修正，比传统混合方法快10倍，还能零样本跨方程迁移。

ASYS让AI自动去发现偏微分方程的数学结构，比如给Allen-Cahn和Keller-Segel找到了以前没人写出来的公式。搞数学或数值计算的可以看看。

CHOP 解决了神经算子模型在分布外任务上泛化差的痛点，做科学计算或 PDE 求解的团队可以直接用这个框架提升模型效果，无需重新训练。