CALM-PDE：用于时变偏微分方程潜在空间建模的连续自适应卷积

CALM-PDE 面向时变偏微分方程（PDE）的神经代理建模，尝试在压缩潜在空间中处理任意空间离散化，以降低直接在高密度物理空间求解的计算成本。其核心贡献是连续卷积式编码器—解码器，兼顾不规则空间采样的适用性与计算效率。基于摘要分析，未取得论文全文。 机制上，模型以 ε 邻域约束卷积核，并学习将卷积算子应用于自适应、经优化的查询点。研究针对的矛盾是：基于 Transformer 注意力的潜在空间方法能够处理不规则采样，但内存开销较高；常规卷积编码与解码较节省内存，却通常依赖规则离散网格。摘要未说明潜在空间中的时间演化模块、损失函数、查询点优化细节或训练监督构造。 作者报告，在包含规则与不规则空间采样的多种 PDE 任务上，CALM-PDE 的表现与既有基线相当或更优，并较基于 Transformer 的方法显著改善内存占用与推理时间。摘要未提供具体 PDE 名称、数据划分、误差指标、硬件环境或效率数值，因此尚不能量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其局部连续卷积机制可能用于探索 EEG 不规则电极布局下的空间编码，但原任务依赖带空间坐标的 PDE 场数据，并非神经信号解码。可考虑复用邻域核与查询点机制，另行改造时间编码和任务输出模块；电极坐标对功能联系的刻画有限，且低信噪比、通道稀疏、跨被试差异和小数据可能削弱局部空间假设。一个可证伪的小实验是在固定跨被试划分、相同时间编码器和训练预算下，仅替换空间编码器，并加入通道缺失测试，对比任务表现、峰值内存与推理耗时。已有 EEG 相关工作尚未检索确认。