标签：偏微分方程

ScientificML

提出联合解决神经算子分布外退化与PINN多解收敛错误的协同训练方法，利用不完美神经算子引导PINN优化。

CFD

基于U-Net架构的36M参数监督学习模型，专注求解Navier-Stokes流体力学偏微分方程，发布于HuggingFace模型库。

ScientificML

提出基于算子图的图超网络方法，将PDE的场、导数、项和残差显式建模为节点，实现跨相关偏微分方程的可摊销神经求解器元训练。

通用科学ML

基于U-Net架构的36M参数偏微分方程（PDE）神经网络求解器模型，支持PDE系统的数据驱动求解与预测

通用科学ML

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。

ScientificML

HuggingFace 平台上的偏微分方程插值相关数据集，支持物理建模与机器学习交叉研究。

通用科学ML

面向偏微分方程符号候选解的带溯源验证基准，含20条记录及生成器输出、验证案例与人类注释，用于评估符号求解器的可靠性。

神经算子/Neural Operator

基于球面傅里叶变换的神经算子模型（Spectral球面调参工具），用全局谱卷积替代网格卷积，处理球面几何数据上的偏微分方程学习任务，适用于气候、气象、全球大气模拟等场景。

通用科学ML

提出几何感知增量神经算子解决长时域PDE预测中自回归误差累积问题，抑制谱不一致和通道耦合不稳定。