层次隐式神经模拟器

神经PDE求解器是建模复杂动态系统的强大工具，但常在较长时间尺度上出现误差累积，难以保持稳定性和物理一致性。我们提出一种多尺度隐式神经模拟器，通过对较低维度未来状态表示进行层次条件化来增强长期预测准确性。drawing inspiration from numerical implicit time-stepping methods的稳定性特性，我们的方法利用在越来越高压缩率下提前数步预测，以进行下一个时间步的细化。通过主动调整时间下采样比率，我们的设计使模型能够捕获跨多个粒度的动力学，并强制执行长程时间一致性。在湍流流体动力学实验中，我们的方法实现了高短期准确性，产生长期稳定预测，显著优于自回归基线，同时增加的计算开销最小。