CLNO：用于可压缩流动预测的守恒局部神经算子

基于摘要分析。本文研究可压缩流动的自回归预测，提出守恒局部神经算子 CLNO，在局部神经算子 LNO 的局部性和平移不变性基础上，将局部平均状态演化与细尺度重建分离，以兼顾离散守恒、预测精度和泛化能力。 核心机制是在固定物理尺寸的局部子域内，将流场编码为子域积分守恒状态与细尺度特征，由共享局部网络预测界面通量，再通过有限体积更新落实离散守恒。卷积重建网络利用零均值基函数恢复细尺度结构，使重建结果保持更新后的局部均值，并为后续演化提供信息。Reynolds–Mach 数条件化同时调制编码、通量预测和重建网络，使单一模型学习随物理参数变化的动力学。 作者报告，CLNO 能在不重新训练的情况下泛化到未见过的参数组合，并支持跨空间分辨率、计算域尺寸及边界条件的预测。相较 LNO，作者报告其泛化能力更好，精度相当或更高，部分代表性案例的误差降低达到数量级水平；在周期性边界基准上，推理成本约为 LNO 的三至五倍。摘要未给出具体案例、误差指标、训练测试划分和计时条件，因此不能将上述收益视为所有设置下的统一结论，实验协议、消融及统计信息尚未验证。 论文的主要对象是可压缩流动物理场，而非 EEG 或 BCI。其结构依赖局部空间子域、守恒量及界面通量；现有材料未建立这些结构与 EEG 观测信号的具体对应关系，因此不据此推断 BCI 有效性。已有 EEG 相关工作尚未检索确认。复现时应重点核对守恒变量与通量定义、边界处理、零均值重建实现，以及跨分辨率和未见参数组合的评估设置。