Neural Operators

神经算子是能够学习整个函数或场之间映射的神经网络，而不是学习固定长度向量之间的映射。例如，它们可以将风压场映射为未来的气流场，或将材料几何结构映射为其应力分布。这使其特别适合用作偏微分方程（PDEs）控制的仿真的快速代理模型。一篇2024 年《Nature Reviews Physics》综述强调了神经算子在加速科学仿真、预测和工程设计方面日益重要的作用。(nature.com)

神经算子的工作原理#

传统网络学习有限维映射，例如将像素映射为类别标签。神经算子则学习可复用的函数到函数规则。其架构经过设计，可以接收网格或点云上的采样场，同时使学习参数的数量与分辨率无关。NeuralOperator 入门介绍解释了这一机制如何支持对不同于训练数据的离散化结果进行预测。(nature.com)

常见架构包括：

• 傅里叶神经算子： 在频域中应用全局卷积，通常使用PyTorch 快速傅里叶变换 API。FNO 特别适用于规则网格上的物理场。
• DeepONet： 将一个用于编码输入函数的网络与另一个用于在指定坐标处计算输出的网络相结合。
• 图神经算子： 将图神经网络的思想扩展到不规则网格和复杂几何结构。
• 算子 Transformer： 将Transformer架构应用于连续场和长程物理相互作用。

此可运行示例创建一个小型 2D FNO，并将两个输入场映射为一个输出场：

import torch
from neuralop.models import FNO

model = FNO(n_modes=(16, 16), hidden_channels=32, in_channels=2, out_channels=1)
inputs = torch.rand(1, 2, 64, 64)  # Two sampled physical fields
prediction = model(inputs)
print(prediction.shape)  # torch.Size([1, 1, 64, 64])

官方的NeuralOperator PyTorch 文档还提供了数据集、损失函数、训练器和几何感知架构。(neuraloperator.github.io)

近期进展#

研究越来越多地将神经算子视为科学领域的基础模型。Poseidon PDE 基础模型展示了跨 15 项下游 PDE 任务的迁移能力，而 Laplace 神经算子则提升了对瞬态和非周期系统的处理能力。2026 年 7 月，研究人员发表了实用神经算子设计原则，强调坐标感知计算、固定参数数量和离散化收敛。(proceedings.neurips.cc)

实际应用#

• 气候降尺度： 一项关于任意分辨率气候降尺度的2024 年 JMLR 研究使用 FNO 将粗粒度气候仿真转换为更高分辨率的场，从而支持详细的卫星图像分析。(jmlr.org)
• 天气预报：球面多重网格神经算子在遵循地球几何结构的同时对全球大气动力学进行建模，为传统的时间序列分析提供补充。
• 工程控制： 神经算子可以快速近似参数不断变化的系统反馈控制解，从而支持响应迅速的数字孪生和工业自动化。

神经算子与计算机视觉#

神经算子对不断演化的连续场进行建模，而计算机视觉模型通常识别图像中的对象或结构。两者可以协同工作：Ultralytics YOLO26可以从摄像头数据中提取几何信息或物理状态，随后由神经算子预测流体流动、热传递、形变或其他未来场。你可以通过Ultralytics Platform管理视觉数据集、训练和部署。

最佳实践是对物理场进行归一化，保留坐标和边界条件，在多个分辨率上进行训练，与可信的数值求解器进行比较，并同时评估插值行为和分布外行为。神经算子可以加速仿真，但在安全关键系统中不应取代物理验证。