CIS-Transolver：用于汽车空气动力学细尺度流场预测的跨层增量状态神经算子

基于摘要分析。本文研究复杂汽车几何附近细尺度流动变化难以准确重建的问题，提出 CIS-Transolver，将局部细节建模从信息提取扩展到跨层持续利用；研究对象是汽车空气动力学流场，并非 EEG 或 BCI。 核心机制是通过局部多尺度分析提取细尺度信息，将其编码为几何矩状态，并在网络层间传播和更新。该方法结合先前层的信息，向 Physics-Attention 的 value 表示提供反馈，使局部细节持续参与后续全局物理关联建模。相较于主要改进信息提取或训练目标的思路，其方法重点在于已提取细节如何在后续算子计算中继续发挥作用。摘要未提供几何矩定义、状态更新公式、具体训练目标或计算开销，相关实现尚未验证。 作者在 ShapeNet-Car、AhmedML 和 DrivAerNet++ 三个公开汽车空气动力学基准上评估表面压力场及体积压力、速度场预测。作者报告：在三个基准合计五项预测指标上，CIS-Transolver 的平均相对 L2 误差均为所比较方法中最低；相对于每项指标各自的最佳基线，五项指标的相对误差降幅平均为 8.72%，其中 ShapeNet-Car 压力预测为 16.38%，AhmedML 速度预测为 15.60%。这些数值是误差的相对降低，不是 Accuracy 提升或百分点变化。数据划分、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，跨层保留局部多尺度状态可能缓解 EEG 局部时空细节在全局建模中被弱化的问题，但原方法依赖几何局部结构及流场预测目标，不能直接等同于神经信号建模。若探索迁移，可保留状态传播与注意力反馈机制，重新定义电极邻域或时间窗口及其状态表示；低信噪比可能使状态持续累积伪迹，通道布局差异、被试差异和小数据也可能削弱收益。一个可证伪的小实验是在相同 EEG 编码器、训练预算及跨被试划分下，对照无状态反馈与跨层状态反馈，检查任务指标及噪声扰动下的稳定性。已有 EEG 相关工作尚未检索确认，此建议不构成已验证的 BCI 效果。