[LG]《UniFluids: Unified Neural Operator Learning with Conditional Flow-matching》H Li, Q Meng, J Li, R Zhang… [Chinese Academy of Sciences & Microsoft Research Asia] (2026)

在PDE神经算子领域，如何用单一模型统一处理1D/2D/3D、多物理变量的异构方程组，始终是悬而未决的难题。过去的方法要么依赖自回归逐步预测导致误差级联累积，要么在频域截断高频分量以换取异构兼容性，本质上是在表达能力与泛化性之间被迫取舍。

本文的核心洞见是：把不同维度的PDE轨迹重新看作同一个四维时空张量的轴对齐子空间。由此，将所有方程统一投影到规范4D网格并配以坐标感知的旋转位置编码，再叠加一个关键发现——PDE数据块的有效维度远低于其patch维度，因此用网络直接预测干净状态场而非速度场——使跨维度、跨方程的并行概率生成得以成立。

这项工作真正留下的遗产是：首次证明流匹配范式可以在异构PDE基础模型中替代自回归生成，同时保留概率分布建模能力。它为后来者打开的新门是将扩散生成模型的并行采样优势引入科学计算基础模型的可行路径。但尚未跨过的门槛是：ODE采样的迭代成本仍存在，且当测试分辨率远超训练分布时，激波与高雷诺数湍流的预测精度会显著退化。

arxiv.org/abs/2603.22309

机器学习 人工智能 论文 AI创造营