SUMNO把多重网格V循环铺成前馈网络：9.4M参数在七个流动设置中五个最优
核心概要
流体代理模型长期沿用视觉领域的U形多尺度结构，但其中的重采样、跳连融合与归一化并非为流场设计。SUMNO把多重网格V循环在空间上展开成前馈U形网络，用无参数降采样与双线性上采样对应限制与延拓，并在最粗层用按各轴周期性分别处理的移位窗口注意力耦合全域。在四个流动基准的七个设置中，它在五个设置上最优、另两个居第二；在Pinball与RBC上把10步自回归MSE相对最强基线降低约30%，而参数量为9.4M。
深度剖析
流体代理模型有了一个按多重网格循环组织、而非按视觉惯例组织组件的U形网络，在复杂流动上取得领先。 此前的U形代理网络与多重网格的对应主要停留在多分辨率拓扑上，重采样、跳连融合和归一化大多沿用视觉做法。 在四个流动基准、七个设置上对五个代表性基线评估，SUMNO在五个设置最优、另两个第二；在Pinball与RBC上10步自回归MSE相对最强基线降低约30%。
网络把一次多重网格V循环在空间上展开：下行编码、最粗层求解、上行解码，各环节对应多重网格的平滑、限制、粗网格校正与延拓。 限制与延拓不再由可学习算子承担，而由无参数的BlurPool降采样与双线性上采样实现，跳连以可学习松弛因子加性融合，传递与跳连路径上去掉归一化。 细层与中间层用卷积保持局部连续性，最粗层用移位窗口注意力提供全域耦合，窗口划分按每个轴的周期性单独生成掩码，使双周期、柱状与非周期域共用一套规则。
启示与展望
演示范围限于规则网格上的二维不可压流动：三个非定常系统与一个稳态边值问题，训练、验证与测试在轨迹级（LDC为几何级）不相交。作者提出的后续方向是扩展到不规则或非结构网格与三维流动，并施加质量或能量守恒等精确物理不变量。
作者指出，长回滚下预测场仍与真值有明显偏差，例如圆柱尾迹中预测涡的位置滞后；SUMNO面向规则网格，且与一般数据驱动代理一样不提供形式化的精度或稳定性保证。