想知道一片树叶会被水流带到哪里，通常既要看整条河各处怎么流，也要一路跟住树叶。前者是欧拉视角——站在固定位置测速度；后者是拉格朗日视角——跟着粒子记录路线。两种信息往往分开处理，观测点一少，长期预测就更容易失准。TrajectoryFlowNet的价值，在于让一张网络同时学习这两种视角。
它是一种物理信息神经网络（PINN）——训练时不仅贴合数据，还要遵守物理方程，从而缩小稀疏观测下“不合理答案”的范围。模型可从少量粒子轨迹重建完整的时空流场，也能从流场出发预测任意粒子的长距离轨迹，并处理不规则边界。作者在顶盖驱动方腔、复杂圆柱绕流，以及主动脉和左心室血流等数值与实验场景中进行了验证，自述模型能捕捉复杂流动并保持物理一致性。公开材料未披露具体误差、计算成本或相对基线的提升幅度，因此目前更值得关注的是这条统一建模路线，而非某个性能数字。