Compositional PDE（组合式偏微分方程）

组合式PDE强调将复杂物理过程分解为可组合的基本算子（如扩散、对流、反应），通过算子分裂或神经网络算子学习其组合规律。近年来，神经算子（如Fourier Neural Operator）和物理信息神经网络（PINN）被用于学习PDE解算子，但组合泛化仍是难点。该方向旨在提升对未见组合场景的泛化能力，推动科学机器学习发展。