Operatory neuronowe stanowią szybkie substytuty dla równań różniczkowych cząstkowych zależnych od czasu, ale wdrażanie autoregresywne tworzy problem alokacji korekt - błędy predykcji zmieniają się w przestrzeni i czasie, podczas gdy do dyspozycji jest tylko skończona liczba lokalnych poprawek na trajektorii. Naukowcy sformułowali to jako adaptacyjne rozwiązywanie operatorów neuronowych z budżetem.
Architektura systemu łączy globalny operator Fouriera do zaawansowania całego pola, lokalny operator proponujący korekcje residualne na fragmentach oraz selektor uwzględniający zbiór, który wybiera gdzie udoskonalić. Makro polityka decyduje kiedy i ile z pozostałego budżetu korekt wydać. Kluczowe wyniki pochodzą z wdrażania rollout-verified policy improvement (RV-PI), które ewaluuje wykonalne liczby korekt poprzez rzeczywiste kontynuacyjne rollouthry nauczonego solvera PDE, konwertuje długohoryzontalowe przewagi na konserwatywne cele polityki i akceptuje aktualizację tylko gdy błąd trajektorii na zbiorze testowym się poprawia.
Na benchmarku shallow-water z budżetem 32 interwencji RV-PI osiągnęła średni błąd względny L2 trajektorii 0.6910, ulepszając immediate-only policy improvement o 5,37% i RandomMacro o 2,41%. Na benchmarku forcing-driven Brusselator z budżetem 76 interwencji metoda uzyskała 0.09954, poprawiając immediate-only policy improvement o 2,31% i RandomMacro o 5,32%. Wyniki pokazują że pod stałym budżetem korekt wartość lokalnej poprawki zależy od jej wpływu downstream na autoregresywną trajektorię, nie tylko od bezpośredniego zmniejszenia błędu.