PDE 代理模型基准数据集

提出自适应算子变换（AOT）方法解决多PDE预训练中解算子结构多样性问题，通过对目标解算子而非模型容量进行适配，提升神经算子在跨方程任务中的泛化能力。

洛斯阿拉莫斯国家实验室开源的36M参数UNet架构偏微分方程求解器v2版本，用于科学计算中的PDE代理建模。

大规模计算流体力学机器学习基准数据集，涵盖驱动腔、管道流、溃坝、圆柱绕流四类经典CFD问题，用于评估神经算子在未知边界条件下的泛化能力。支持 mesh-invariant 推理，可

提出自适应记忆门控机制，让神经算子根据观测条件动态调整内存权重，提升时间依赖PDE求解的适应性。

PDE 控制仿真训练数据集，包含 TI-DeepONet 代理模型所需的 3000 条控制轨迹，源自随机控制序列下的经典数值求解器。