Transolver 是一种基于物理注意力机制的神经网络算子学习框架，由清华大学等机构于 2024 年提出，主要用于求解偏微分方程（PDE）和构建物理仿真代理模型。它的核心思路是将复杂几何网格切分为可学习的物理切片，在切片层面做注意力计算，从而在统一模型下处理汽车外形、机翼、流体等真实工业仿真任务。凭借在多个标准基准上的表现，Transolver 已成为神经算子研究中被广泛对比和改进的代表性基线之一。
Transolver 近期进展
围绕 Transolver 的后续研究主要集中在两个方向：一是改进其内部结构以提升精度和效率，二是在新任务上检验其适用边界。
当前焦点与观察点
目前 Transolver 相关研究的焦点可以归纳为三点。第一，切片机制的改进：后续工作普遍认为物理切片是 Transolver 性能的关键来源，但切片数量、划分方式大多依赖经验设置，如何自适应地确定切片结构是活跃的研究问题。第二，任务外延：从 DAFNO、GraphCast 等基线常用的标准基准，扩展到辐射传输等更广泛的问题类型，有助于判断这类方法是否具备通用代理模型能力。第三，工程落地：工业仿真场景对精度、推理速度和几何泛化都有较高要求，Transolver 类方法能否替代或辅助传统数值求解器，仍需更多真实案例验证。
总体来看，Transolver 已经从单篇论文演化为一个小型研究方向，围绕它的改进、对比和迁移工作持续出现。对于关注 AI for Science 和神经算子的研究者而言，后续值得跟踪的是切片机制的理论解释，以及这类方法在工业级仿真中的可复现结果。