神经代理模型用于非结构化 3D 几何上的偏微分方程（PDE）时，往往受限于泛化能力差和训练数据昂贵。预训练大规模相关 PDE 动力学数据已成为提升鲁棒性和可扩展性的关键手段，但需要大量预计算数据，计算和数据效率低下。为此我们提出一种无需磁盘数据的预训练框架，兼容稳态和瞬态两类问题。稳态情形采用几何驱动策略，利用内在形状描述子（如曲率、拓扑特征）对复杂 3D 域进行表征学习。瞬态情形则采用物理驱动方法，在线生成合成 PDE 样本，避免了昂贵的数据收集。实验在多个基准上显示，所提方法在微调阶段收敛更快、数据利用率更高、精度更佳，尤其在真实低数据场景下优势显著。该方案为大规模仿真提供了实用的数据高效神经模拟路径。
点评：该工作通过把几何特征和在线物理仿真结合，显著降低了预训练成本，为实际工程中的低数据环境提供了可行的神经 PDE 求解方案。