Transolver、UPT、AB-UPT：让全局注意力变得可负担

文章讨论在几何深度学习中对数百万离散点做全局信息交换的计算难题，介绍三种通过更小 token 集合交换信息的方案：Transolver 的学习状态、UPT 的超节点与潜在 token 层级、AB-UPT 的锚点机制。作者强调这些是组织计算的不同方式，而非对早期模型的逐代替代，应用背景包括 CAD 模型改动对压力与流场的影响分析。

AI推荐理由 几何深度学习系列第 5 篇，系统梳理 Transolver、UPT、AB-UPT 三种降低全局注意力成本的思路：学习状态、超节点与潜在 token 层级、锚点机制，面向 CAD/流体仿真等科学计算场景，技术内容具体；但为 Medium 个人系列文章，属综述性解释而非新成果首发。