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
深度分析
在需反覆求解Riccati方程的時變LQR情境，研究以DeepONet學習解算子，離線擬合時間相依矩陣到Riccati軌跡的映射；線上透過推論提供近似最適回授律，並以理論誤差界證明對閉迴路穩定性與代價上限的可控性，實驗展現高準確度與可擴展性。