CALM-PDE：用于时变 PDE 潜空间建模的连续与自适应卷积

基于摘要分析。该研究面向时变偏微分方程（PDE）的神经代理求解，提出 CALM-PDE，在压缩潜空间中处理任意离散化的空间域，旨在降低直接物理空间计算的成本，并兼顾不规则采样处理能力与内存效率。 核心机制是基于连续卷积的编码器—解码器：卷积核受 epsilon 邻域约束，并学习在自适应、优化后的查询点上应用卷积算子。其出发点是，现有潜空间方法常用 Transformer 注意力处理不规则采样，但内存开销较高；普通卷积虽更节省内存，却通常依赖规则离散化。摘要未说明潜空间时间演化模块、查询点优化方式、损失函数或训练监督设置，不能据来源分类推断其采用了状态空间模型。 作者报告，在涵盖规则与不规则空间采样的多种 PDE 任务上，CALM-PDE 的表现与现有基线相当或更优，并较 Transformer 方法显著改善内存占用与推理时间。摘要未提供具体 PDE、数据规模、划分、指标、基线名称及硬件条件；效率收益的幅度、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制对 EEG 的潜在价值主要在空间编码，而非已被验证的神经信号解码能力。假设具备电极坐标及可比较的空间邻域，连续卷积可能用于处理不同通道布局，并通过共享查询点形成紧凑表示；可复用的是局部核与查询点聚合机制，需改造输入特征、时间建模及任务监督。EEG 的低信噪比、稀疏电极、跨被试差异和小数据条件，可能使局部邻域信息不足或查询点学习不稳定。一个可证伪的小实验是在固定被试划分与相同时间骨干下，对比连续卷积空间编码与规则插值后卷积编码，测试通道删减时的任务表现、峰值内存和推理时间。相关 EEG 工作尚未检索确认；PDE 上的结果不构成 BCI 有效性证据。