近年来，深度学习在偏微分方程（PDEs）求解中展现出前所未有的潜力。 从气象模拟到材料科学，基于数据驱动的神经网络模型正不断重塑科学计算的边界。尤其是神经场（Implicit Neural Representations，INRs），凭借其连续参数化的特性，能够实现跨几何形态的高分辨率建模，在复杂场景下展现出卓越的精度和灵活性。 然而，当面对具有剧烈空间变化的场景时，现有 INR 方法暴露出明显的 ...