用于求解动态 PDE 的调制谱域–空间状态空间模型学习

基于摘要分析。该研究针对动态 PDE 预测中跨尺度相互作用与时间历史条件化的问题，提出谱域–空间状态空间神经算子 S^4-dyn，将跨频率建模与历史条件空间调制结合，以预测物理系统的演化。 核心机制是在 Fourier 模式上进行双向径向–角向扫描，并沿扫描序列采用选择性状态空间建模，同时结合局部空间处理，以捕捉互补的全局与局部相互作用。并行调制分支在潜在谱空间中演化历史观测，再利用所得上下文自适应引导预测主干。对于 3D 系统，作者使用 tri-plane factorization 将 2D Fourier 空间中的建模扩展至三维，并缩短状态空间序列长度；此外给出输入自适应空间核解释，以刻画算子的跨频率相互作用。具体损失、训练配置及该解释的推导条件尚未验证。 作者报告，在涵盖 15 个不同 2D 与 3D 物理系统的评估中，S^4-dyn 在 The Well 和 PDEArena-NS 的多数评估中取得最低误差，在 FNO-NS 上与最强基线表现相当。摘要未提供具体误差数值、预测时域、数据划分与基线名称，因此不能量化优势或跨协议比较。作者报告消融支持结构化谱建模与自适应时间条件化的组合；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，跨频率交互与历史条件调制可能有助于 EEG 非平稳时序预测，但原方法依赖物理场的空间结构、Fourier 表示及历史观测，原领域结果不等于 BCI 有效。可考虑复用谱域状态空间建模与历史调制，需改造通道空间表示和扫描方式；不规则电极布局、低信噪比、跨被试差异及小数据规模可能使该结构假设失效。一个可检验的小实验是在固定被试内 EEG 预测划分、相同训练预算下，对比完整模型与去除历史调制的版本，并观察噪声增强前后的预测误差变化。已有 EEG 相关工作尚未检索确认。