研究者提出TB-Transolver加速含时偏微分方程求解
Start here
针对含时偏微分方程（PDE）求解中自回归计算随时间跨度线性增长的瓶颈，研究团队于2026年11月提出了基于时间捆绑架构的 TB-Transolver，以实现并行长程推演。该架构引入了时空连贯性指标，用于先验选择最优捆绑宽度。测试结果显示，TB-Transolver 在塑性力学、流体力学、反应扩散以及全球天气预报等任务中，实现了最高 29 倍的训练加速；若结合多节点多 GPU 的分布式并行训练，相比单 GPU 环境实现了最高 45.6 倍的综合加速。
AI-generated from reports · Updated 7 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习TB-Transolver：通过时间捆绑实现含时 PDE 的并行长程推演
研究团队提出基于时间捆绑架构的 TB-Transolver，用于解决含时偏微分方程求解中自回归计算随时间跨度线性增长的瓶颈。该方法引入时空连贯性指标先验选择最优捆绑宽度，在塑性力学、流体力学、反应扩散和全球天气预报中实现最高 29x 的训练加速。结合多节点多 GPU 分布式并行，其相比单 GPU 实现了最高 45.6x 的综合加速。
Story heat trend
Current heat 8·Comparable peak 10（Nov 4 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.