神经算子

目标是跨输入场共享的函数空间映射

设输入函数 $a:D\to\mathbb R^{d_a}$ 表示系数、初值或外力，输出函数 $u=\mathcal G(a):D'\to\mathbb R^{d_u}$ 表示解场。神经算子希望学习同一个 $\mathcal G_\theta$ 处理一族输入函数，而不是为每个网格长度训练完全不同的有限维矩阵。

计算仍通过离散点完成。网格 $X_h=\{x_i\}_{i=1}^{N_h}$ 上输入为 $a_h=(a(x_i))$，输出为 $u_h$。所谓网格无关参数化是：层的规则可解释为连续核、局部函数或频率响应，并能在不同离散上近似同一规则。它不表示训练只见一个粗网格后，就已知道所有连续细节。

数据单位是一整个输入—输出场对。训练和测试应按输入场、方程参数或场景分组，不能把同一场的不同网格点随机拆开后声称跨函数泛化。

核积分层统一局部与非局部交互

一种抽象神经算子层写成

$Wv(x)$ 是局部通道变换，核积分让位置 $x$ 读取全域 $y$。离散实现用求积权重

近似积分。若网格不均匀却忽略 $w_j$，节点密集区域会被过度计权。核若完全稠密，计算和存储随 $N^2$ 增长；局部核、低秩分解、图邻域或频域卷积用于降低成本。

输入通常先经逐点lifting映射到宽通道 $v_0(x)$，经过多层算子后由逐点projection输出物理变量。坐标、边界mask和材料类型可作为额外通道，但它们的单位和变换必须在不同网格保持一致。

Fourier层在周期规则网格上高效实现全局卷积

对均匀周期网格上的特征 $v(x)$，Fourier层先计算离散Fourier变换 $\widehat v(k)$，保留有限模态集合 $K$，对每个模态用复矩阵 $R_\theta(k)$ 混合通道，再逆变换：

一层常把它与局部线性支路相加后激活。频域权重按模态编号共享于空间位置，参数量主要由保留模态和通道数决定，而不直接由网格点数决定。激活、FFT和输出数组仍随网格增长，运行内存并非分辨率无关。

实值信号频谱具有共轭对称，频域参数和逆变换要保持实输出。非线性会重新产生高频，网格Nyquist频率以上的分量会混叠回低频；模态数、网格分辨率和必要的去混叠处理应共同选择。

模态编号共享让跨网格调用成为可能

若不同网格覆盖同一物理周期域、使用一致Fourier归一化，低模态 $k$ 具有相同物理含义。训练得到的 $R_\theta(k)$ 可在更细网格上作用于这些共同模态，逆FFT生成更多节点值。这是分辨率迁移的机制。

但输入粗采样已丢失的频率不可凭空恢复。细网格调用还要求输入插值、坐标尺度、边界、方程参数和输出定义一致。训练只覆盖平滑低频场时，在细网格输出平滑曲线可能合理；遇到冲击、湍流小尺度或新几何，新增节点不代表新增正确物理信息。

零样本超分辨率应在输入函数分布一致、物理域相同且参考细解独立的条件下评价。至少比较粗输入插值、传统数值细化和模型输出，并按频率或梯度强度分组。

FFT的周期延拓会影响非周期边界

标准DFT把数组视为周期信号，最后一个节点与第一个节点相邻。非周期Dirichlet、Neumann或混合边界若直接套用循环卷积，会跨边界传递虚假信息，并在不连续周期延拓处产生振铃。

padding后在扩展域FFT再裁回原域，可以减少直接首尾相接，但padding值本身定义了外部延拓。复杂几何、孔洞和非规则网格通常需要图、核或局部坐标算子，或先映射到参考域；映射Jacobian和网格质量会进入误差。

空间离散与损失都要带求积语义

均匀网格上未加权均方误差近似域积分；非均匀网格上应使用单元面积或求积权重。否则细密区域在训练中获得更高权重。不同分辨率混合训练时，直接对所有节点求平均会让每个样本总权重相近，但不一定对应相同物理积分精度。

输入输出标准化要按训练场统计并保留物理单位。逐样本缩放可抹去振幅依赖，逐网格统计又可能让同一函数在不同分辨率得到不同归一化。边界值、坐标和材料系数是否缩放需要分别说明。

长期滚动会放大一步误差

有些神经算子一次映射输入到完整稳态解；另一些作为时间推进器反复应用 $u_{t+1}=F_\theta(u_t)$。训练一步误差小不保证长时间稳定。若局部误差满足

$L>1$ 时误差可能放大，$L<1$ 时才有相应有界递推直觉。真实非线性系统还会有状态相关增长率和混沌敏感性。

训练可混入多步损失、稳定性正则或数值积分结构，但每种方法改变优化目标和成本。时间外推需使用未参与选择的长轨迹，并区分相位误差、幅值误差和统计量误差。

守恒和边界不会由频域层自动获得

Fourier卷积可以表达全局关系，但一般参数不自动守恒质量、能量或动量，也不自动满足边界。可在输出后投影到约束集合、用守恒变量和通量参数化、加入物理损失，或采用结构保持层。软惩罚只鼓励约束，有限权重下仍会违反。

PDE残差可以揭示方程违反，但残差计算依赖导数、离散格式和边界。低残差不总意味着低解误差，尤其在病态、非唯一或错误系数问题中。应与高精度参考、网格收敛和守恒共同使用。

外推要按变化轴分层

同分布新输入场、训练参数范围边缘、更高雷诺数或频率、新边界、新几何和新方程是不同难度。参数可在新网格调用只涉及离散轴，不自动解决物理参数或几何外推。测试矩阵应一次改变一个轴，并保留组合移位作为更严格场景。

对失败样本按频谱、梯度、边界距离和守恒误差分组。若模态截断导致高频失败，增加宽度但不增加模态未必有效；若错误来自边界周期延拓，更多训练数据也可能只学到补偿而非正确结构。

计算比较必须在相同误差和任务上进行

规则网格FNO一层FFT成本近似 $O(N\log N)$ 乘通道因子，稠密核积分近似 $O(N^2)$，局部图算子随边数增长。FFT常数、复数通道、正逆变换和激活内存都需实测。传统求解器成本还取决于容差、预条件、时间步和是否复用分解。

训练数据由高精度求解器生成时，离线成本可能远大于单次求解。只有在大量重复输入、实时约束或可摊销查询下，代理模型才可能有总成本优势。报告盈亏点比只报网络推理毫秒更有意义。

练习

概念关系

• 科学机器学习 提供数据、模型和科学约束框架。
• 泛函与函数空间映射 定义输入场到输出场算子。
• Fourier变换 支持频域模态和卷积计算。
• 偏微分方程数值方法 提供网格、边界和参考求解。
• DeepONet 提供branch/trunk坐标查询的对照。
• 动力系统综合复习 连接长期滚动和稳定性。
• 科学机器学习综合复习 汇总物理误差、外推和成本证据。

资源