面向守恒律的鲁棒基础模型：通过递归视觉Transformer将上下文注入Flux神经算子
机器学习
2026-05-08 v1
摘要
我们提出一种架构,增强了 Flux Neural Operator (Flux NO) 的设计,后者将经典有限体积方法 (FVM) 与神经算子结合,并注入 ViT-based context。我们的模型被建模为超网络:它提取有限时间窗口内的解动力学,使用递归视觉Transformer 对其进行编码,并生成上下文条件化神经算子的参数。这使得模型能够在缺乏 governing equation 或 PDE 系数显式访问的情况下推理和求解守恒律。实验结果表明,我们的方法保留了 Flux NO 对标准神经算子而言的鲁棒性、泛化能力和长期预测优势,同时在广泛的保守系统上提供可靠的数值解,包括此前未见过的 flux。我们的代码已公开于 https://github.com/xx257xx/CONTEXT_FLUX_NO。
关键词
引用
@article{arxiv.2605.05488,
title = {A Robust Foundation Model for Conservation Laws: Injecting Context into Flux Neural Operators via Recurrent Vision Transformers},
author = {Taeyoung Kim and Joon-Hyuk Ko},
journal= {arXiv preprint arXiv:2605.05488},
year = {2026}
}
备注
14 pages, 3 figures