如何判断“前沿”

本页不把“用了神经网络”自动视为前沿。一个方向是否重要，要问：它消除了哪个真实瓶颈，是否保持几何/拓扑硬约束，是否在未见模型上泛化，是否让最终求解更准或更快。

前沿一：AI 辅助 CAD-to-mesh，而非取代几何内核

2026 SIAM IMR 综述将当前 AI 用途归纳到零件分类、缺陷/特征简化、网格质量预测、块分解、体参数化、并行流程、强化学习操作与脚本自动化。可信的短期形态是：

$$\text{学习模型提出候选} +\text{几何谓词/拓扑规则验证} +\text{优化器修正}.$$

端到端直接吐出网格仍面临可变拓扑、极端尺度、严格有效性和训练分布外失败。研究重点应是“学习启发式 + 可验证约束”。

前沿二：拓扑操作的强化学习

quad/hex 优化是长序列离散决策：一次 flip 看似改善局部质量，却可能阻塞后续操作。强化学习适合估计长期收益。2026 的 CubeFlipNet 同时选择 cube-flip 类型与连续关键点位置，并加入 polycube 对齐先验。

仍需追问：

• action mask 是否严格排除非法拓扑；
• reward 是否与最终 PDE 误差一致；
• 是否能跨拓扑、尺度和 CAD 类别泛化；
• 失败时是否可回滚、可解释并有确定性基线。

前沿三：从一个网格到“网格空间”

Riemann–Roch 理论给出满足除子约束的亚纯对象空间维数。这启发一种新范式：

1. 先构造所有理论可行解的有限维空间；
2. 再在空间中按正交性、尺寸、特征与 PDE 误差优化；
3. 输出的不只是单个网格，而是可交互探索的网格族。

其难点是把抽象基函数稳定离散化，并维持全局单射与有限轨线结构。

前沿四：显式特殊函数降低全局计算成本

2026 年 Weierstrass$\wp$/$\sigma$ 路线在亏格 1 曲面或多孔平面域上显式构造双周期亚纯函数，再转成四次微分。它用特殊拓扑上的解析结构替代通用 Abel–Jacobi 管线中的多次全局 PDE。

这是“利用问题结构加速”而非通用算法已经被淘汰。下一步是扩大拓扑适用域、处理边界与特征、量化速度—质量权衡。

前沿五：结构化 hex 的奇异图与体分解

热点包括：

• 从骨架、medial structure 或 frame field 构造块分解；
• 预测/优化可实现奇异图；
• polycube 双射与整数格量化；
• sheet/chord 全局简化；
• quad boundary 到 valid volume hex 的证书；
• pure-hex 与 hex-dominant 的可控折中。

2026 的亚纯二次微分 hex 工作把闭轨线叶状结构、骨架拓扑、曲面圆柱/极点邻域分解延伸到体块，重点改善凹区域映射与边界正交性。但“固定骨架下实验稳定”仍不同于“任意输入自动决定最优骨架”。

前沿六：求解器在环与目标驱动网格

传统质量指标只是代理。更直接的目标是

$$\min_{\mathcal T,,N\le N_0} \|u-u_{\mathcal T}\|_{\mathcal X} +\lambda C_{\mathrm{solve}}(\mathcal T).$$

研究问题包括：可微 PDE 求解器提供梯度、伴随误差估计驱动尺寸/方向、不同物理量的多目标度量、网格改变引起的离散拓扑梯度。风险是对单一 PDE/参数过拟合，失去通用网格质量。

前沿七：高阶曲边网格的严格有效性

高阶方法需要的不只是节点移动，而是全单元 Jacobian 正性、CAD 几何一致性和高阶积分精度。前沿集中在 Bernstein 证书、可行 barrier 优化、r-adaptation 保有效以及极薄各向异性曲边单元。

前沿八：工业规模与可重复性

百亿级网格牵涉：

• 去中心化分区和并行冲突处理；
• 流式/外存数据结构；
• 确定性重放与容错；
• CAD 修复、网格生成和求解器之间的 provenance；
• 公开失败集而非只展示成功模型。

规模本身不等于研究贡献；需要同时报告强/弱扩展、内存、通信、质量分布和失败率。

前沿九：网格替代方法的竞争

cut-cell、immersed boundary、polyhedral、meshfree、神经算子会减少某些贴体网格需求，但带来新的积分、稳定性、几何误差或训练分布问题。研究网格生成的人应把它们当竞争基线：若一个问题用嵌入方法更可靠，就不应为了“必须生成 all-hex”而增加不必要复杂度。

方向成熟度表

2026 核心资料

• AI for Mesh Generation and Model Preparation: A Review
• CubeFlipNet
• Hexahedral Mesh Generation Based on Meromorphic Quadratic Differentials
• Surface Quadrilateral Mesh Generation Based on Weierstrass Functions
• Quadrilateral mesh generation based on foliation and meromorphic quadratic differential

选择研究题目的过滤器

一个值得做的题目应能写成：

在输入类$\mathcal C$ 和预算$B$ 下，方法$A$ 相比基线$A_0$，是否在保持硬约束$H$ 的同时，显著改善指标$Q$？

如果不能明确输入类、基线、硬约束和指标，题目通常还只是愿望。

文献深读

AI 论文的任务分层、数据泄漏风险、硬约束和 2019–2026 年研究链，见AI、数据驱动与可验证几何文献谱系；其他方向从总文献地图进入。