引力信息神经网络用于后牛顿双星动力学建模

LPINNs 通过在标准密集 PINN 首层隐藏激活上引入输入依赖的局部化函数，为首层单元赋予感受野，以改善长域和高阶算子的优化难题，无需域分割或额外界面损失。

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。

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。

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。

提出基于集值函数表征与神经网络近似的框架，用于估计输入约束离散时间非线性系统的稳定域（DOS）与稳定控制器。