深度分析
Multi-scale Morton Measure (M3)：透過Morton排序與多尺度分層改善運算子學習的離散化偏差
現代神經代理模型靠離散化模擬樣本訓練，其網格分布導致訓練量測偏差。M3以Morton排序與多尺度分層重構訓練量測，平衡跨尺度物理解釋與空間覆蓋。在多組CFD工業資料上可顯著降低物理解誤，在大型體積案例誤差降低達數倍於有限訓練預算下亦保持更優泛化並改善物理一致性與評估可靠性
深度分析
現代神經代理模型靠離散化模擬樣本訓練，其網格分布導致訓練量測偏差。M3以Morton排序與多尺度分層重構訓練量測，平衡跨尺度物理解釋與空間覆蓋。在多組CFD工業資料上可顯著降低物理解誤，在大型體積案例誤差降低達數倍於有限訓練預算下亦保持更優泛化並改善物理一致性與評估可靠性
速報
CFD替代模型常受逐節點監督與顯式時間積分限制。本研究提出三項做法：多節點預測維持空間導數一致、時間交互注意實作預測—修正取代不穩定顯式法、以及3D RoPE捕捉旋轉對稱。並在多種架構與資料集上驗證，取得一致性改善與長時程模擬精度及穩定性提升。