arXiv 2026年10月5日作者提出 LD-GTransNet：在多层 GTransNet 基础上引入提升解耦策略，预设隐层神经元参数，并用独立子网络分别处理物理坐标与新增辅助变量，从而无需显式区域分解即可全局逼近分片光滑解，且把求解化为线性最小二乘、免去非线性训练；二维与三维基准界面问题的数值实验显示，其精度与效率优于已有神经网络方法与传统数值方法，尤其在高对比度系数与复杂界面几何下表现突出。作者提出 LD-GTransNet：在多层 GTransNet 基础上引入提升解耦策略，预设隐层神经元参数，并用独立子网络分别处理物理坐标与新增辅助变量，从而无需显式区域分解即可全局逼近分片光滑解，且把求解化为线性最小二乘、免去非线性训练；二维与三维基准界面问题的数值实验显示，其精度与效率优于已有神经网络方法与传统数值方法，尤其在高对比度系数与复杂界面几何下表现突出。LD-GTransNet 用提升解耦与预设隐层参数把界面问题化为线性最小二乘，在二维三维高对比度算例上优于已有神经网络与经典数值方法作者提出 LD-GTransNet：在多层 GTransNet 基础上引入提升解耦策略，预设隐层神经元参数，并用独立子网络分别处理物理坐标与新增辅助变量，从而无需显式区域分解即可全局逼近分片光滑解，且把求解化为线性最小二乘、免去非线性训练；二维与三维基准界面问题的数值实验显示，其精度与效率优于已有神经网络方法与传统数值方法，尤其在高对比度系数与复杂界面几何下表现突出。作者提出 LD-GTransNet：在多层 GTransNet 基础上引入提升解耦策略，预设隐层神经元参数，并用独立子网络分别处理物理坐标与新增辅助变量，从而无需显式区域分解即可全局逼近分片光滑解，且把求解化为线性最小二乘、免去非线性训练；二维与三维基准界面问题的数值实验显示，其精度与效率优于已有神经网络方法与传统数值方法，尤其在高对比度系数与复杂界面几何下表现突出。