利用不完美前辈知识学习物理：神经算子与PINN的联合失效解决

提出统一框架，将神经PDE求解器（PINNs）与有限元方法通过函数Gauss-Newton问题与Petrov-Galerkin离散化进行融合。

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。

基于物理信息神经算子学习磁流体动力学函数空间映射，实现任意参数和时间下磁重联状态的高效推断，降低大 Lundquist 数下的计算成本。

博尔扎诺大学 PhD 课程讲义，系统讲解 PINN 与神经算子原理，附 PyTorch 从零实现教程。

提出ADEx-FNO框架，通过环境域嵌入与符号距离函数表示，将傅里叶神经算子扩展至任意离散化和变几何场景，无需修改核心傅里叶层结构。