在材料喷射或喷墨打印（IJP）中，预测液滴演变对维持打印质量至关重要。然而，由于误差积累和过程变量的复杂耦合，长期预测仍然具有挑战性。本文提出了扩散修正自回归傅里叶神经算子（DiffARFNO），这是一种结合自回归傅里叶-MIONet与条件去噪扩散隐式模型（DDIM）修正器的两阶段框架。
傅里叶-MIONet被训练为粗略预测器，并以自回归的方式进行长期预测。在第二阶段，基于DDIM的条件修正器通过高效的迭代去噪在每个滑动窗口内细化粗略预测。通过将傅里叶-MIONet的粗略预测与恢复细节的DDIM修正器相结合，DiffARFNO旨在提供高保真度的长期预测结果。
在来自ANSYS Fluent的液滴数据集上进行的广泛实验表明，DiffARFNO显著优于现有的最先进模型。
博主点评： 本文提出的DiffARFNO框架在液滴演变预测中展现出创新性，结合了自回归和扩散模型的优势，为解决长期预测的误差积累问题提供了有效的解决方案，对相关领域的研究具有重要的推动作用。