本文介绍了一种基于Transformers的Galarkin变换学习器，显著提高了偏微分方程的训练成本和评估准确性。研究提出了非局部核网络（NKN）和非局部神经算子（NNO），并探讨了上下文操作符学习的多模态方法，提出了ICON-LM架构，提升了学习性能。此外，能量一致性神经算子（ENO）和位置诱导变压器（PiT）在偏微分方程学习中表现出色。